Da anormale Proben für das Training nicht verwendet werden können, nutzen viele Methoden zur Anomalieerkennung und -lokalisierung vortrainierte Netzwerke und nichtparametrische Modellierung, um die Verteilung kodierter Merkmale zu schätzen. Diese Ansätze vernachlässigen jedoch den Einfluss von Position und Nachbarschaftsinformationen auf die Verteilung normaler Merkmale. Um dies zu überwinden, schlagen wir einen neuen Algorithmus, \textbf{PNI}, vor, der die Verteilung normaler Merkmale mithilfe einer bedingten Wahrscheinlichkeit unter Berücksichtigung der Nachbarschaftsmerkmale schätzt, wobei ein mehrschichtiges Perzeptron-Netzwerk zur Modellierung eingesetzt wird. Zudem wird Positionsinformation durch die Erstellung eines Histogramms repräsentativer Merkmale an jeder Position genutzt. Anstatt die Anomaliekarte lediglich zu skalieren, setzt die vorgeschlagene Methode ein zusätzliches Verfeinerungsnetzwerk ein, das auf synthetischen Anomaliebildern trainiert wurde, um die Interpolation präziser zu gestalten und die Form sowie die Kanten der Eingabebilder besser zu berücksichtigen. Wir haben Experimente auf dem MVTec AD-Benchmark-Datensatz durchgeführt und erzielten dabei Spitzenleistungen mit AUROC-Werten von jeweils \textbf{99,56%} (Anomalieerkennung) und \textbf{98,98%} (Anomalielokalisierung).