Der Stand der Technik in der diskriminativen, unsupervisierten Oberflächen-Anomalieerkennung basiert auf externen Datensätzen zur Synthese von anormalitätsangereicherten Trainingsbildern. Solche Ansätze sind anfällig für Fehlschläge bei Anomalien nahe der Verteilung (near-in-distribution), da diese aufgrund ihrer Ähnlichkeit mit anormalitätsfreien Regionen schwer realistisch synthetisiert werden können. Wir stellen eine Architektur namens DSR (Dual-Decoder Quantized Feature Space Representation) vor, die auf einer quantisierten Merkmalsraumdarstellung mit zwei Dekodern basiert und die Notwendigkeit der Bild-Ebene-Anomaliesynthese vermeidet. Ohne Annahmen über die visuellen Eigenschaften von Anomalien zu treffen, generiert DSR Anomalien auf Merkmals-Ebene durch Stichproben aus dem gelernten quantisierten Merkmalsraum, was eine kontrollierte Generierung von Anomalien nahe der Verteilung ermöglicht. DSR erreicht state-of-the-art Ergebnisse auf den KSDD2- und MVTec-Anomalieerkennungs-Datensätzen. Experimente auf dem anspruchsvollen realen Datensatz KSDD2 zeigen, dass DSR andere unsupervised Oberflächen-Anomalieerkennungsverfahren erheblich übertrifft und die bisher besten Methoden um 10 % AP bei der Anomalieerkennung und um 35 % AP bei der Anomalie-Lokalisierung verbessert.