Die Erkennung industrieller Fehlstellen wird häufig mit Anomalieerkennungsverfahren (Anomaly Detection, AD) behandelt, bei denen keine oder nur unvollständige Daten potenziell auftretender Fehlstellen vorliegen. Diese Arbeit entdeckt bisher unbekannte Probleme von Schüler-Lehrer-Ansätzen für AD und schlägt eine Lösung vor, bei der zwei neuronale Netze so trainiert werden, dass sie für die fehlerfreien Trainingsbeispiele die gleiche Ausgabe erzeugen. Die Kernannahme von Schüler-Lehrer-Netzen ist, dass der Abstand zwischen den Ausgaben beider Netze für Anomalien größer ist, da diese im Training nicht vorhanden sind. Allerdings leiden frühere Methoden unter der Ähnlichkeit der Architektur von Schüler und Lehrer, sodass der Abstand für Anomalien unerwünscht klein ist. Aus diesem Grund schlagen wir asymmetrische Schüler-Lehrer-Netze (asymmetric student-teacher networks, AST) vor. Wir trainieren einen Normalisierenden Fluss zur Dichteschätzung als Lehrer und ein konventionelles Feedforward-Netz als Schüler, um große Abstände für Anomalien zu erzeugen: Die Bijektivität des Normalisierenden Flusses zwingt zu einer Divergenz der Lehrerausgaben für Anomalien im Vergleich zu normalen Daten. Außerhalb der Trainingsverteilung kann der Schüler aufgrund seiner grundlegend unterschiedlichen Architektur diese Divergenz nicht nachbilden. Unser AST-Netz kompensiert falsch geschätzte Wahrscheinlichkeiten durch einen Normalisierenden Fluss, der in früheren Arbeiten alternativ zur Anomalieerkennung verwendet wurde. Wir zeigen, dass unsere Methode auf den beiden aktuell wichtigsten Defekterkennungsdatensätzen MVTec AD und MVTec 3D-AD hinsichtlich der bildbasierten Anomalieerkennung an RGB- und 3D-Daten Stand-des-Wissens-Ergebnisse liefert.