Diese Arbeit betrachtet Few-Shot-Anomalieerkennung (FSAD), eine praktische, jedoch bisher wenig untersuchte Variante der Anomalieerkennung (AD), bei der bei der Trainingsphase für jede Kategorie lediglich eine begrenzte Anzahl an normalen Bildern zur Verfügung steht. Bisher folgen bestehende FSAD-Studien dem Paradigma des „eines Modells pro Kategorie“, das für die herkömmliche AD verwendet wird, wobei die gemeinsamen Merkmale zwischen Kategorien bisher nicht ausgenutzt wurden. Inspiriert durch die Art und Weise, wie Menschen Anomalien erkennen – nämlich durch den Vergleich eines untersuchten Bildes mit normalen Referenzbildern – nutzen wir hier die Bildregistrierung, eine Aufgabe zur Bildausrichtung, die inhärent kategorienunabhängig generalisierbar ist, als Proxy-Aufgabe, um ein kategorienunabhängiges Anomalieerkennungsmodell zu trainieren. Während der Testphase werden Anomalien erkannt, indem die registrierten Merkmale des Testbildes mit den entsprechenden Support-Bildern (normalen Bildern) verglichen werden. So weit uns bekannt ist, stellt dies die erste FSAD-Methode dar, die ein einziges generalisierbares Modell trainiert und für neue Kategorien weder Neutrainings noch Parameter-Feinjustierung erfordert. Experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode die derzeit besten FSAD-Methoden auf den Benchmarks MVTec und MPDD um 3 % bis 8 % in Bezug auf die AUC-Performance übertrifft.