Die Anomalieerkennung zielt darauf ab, abweichende Daten zu identifizieren, die sich von den normalen Daten unterscheiden, wobei typischerweise eine ausreichende Menge an normalen Daten erforderlich ist, um das Modell für diese Aufgabe zu trainieren. Trotz des Erfolgs neuerer Methoden zur Anomalieerkennung bleibt die Erkennung von Anomalien in unbekannten Domänen weiterhin eine herausfordernde Aufgabe. In diesem Paper behandeln wir die Aufgabe der domänenverallgemeinernden Anomalieerkennung auf texturierten Oberflächen. Durch die Beobachtung normaler und abnormaler Oberflächen-Daten aus mehreren Quell-Domänen soll unser Modell in der Lage sein, auf eine unbekannte, interessierende texturierte Oberfläche generalisiert zu werden, bei der während der Testphase nur eine geringe Anzahl an normalen Daten beobachtet werden kann. Obwohl in den Trainingsdaten lediglich bilddatenbasierte Etiketten vorliegen, zeigt unser patchbasiertes Meta-Lernmodell eine vielversprechende Generalisierungsfähigkeit: Es kann nicht nur auf unbekannte Bilddomänen generalisieren, sondern auch die genaue Lokalisierung abnormer Regionen in der Abfrage-Bild aufweisen. Unsere Experimente bestätigen, dass unser Modell in verschiedenen Szenarien gegenüber aktuellen State-of-the-Art-Methoden zur Anomalieerkennung und Domänenverallgemeinerung überzeugt.