Anomalieerkennung und -lokalisierung werden in der industriellen Fertigung weit verbreitet eingesetzt, da sie effizient und wirksam sind. Anomalien sind selten und schwer zu sammeln; zudem neigen überwachtes Modellierung zu Überanpassung an die wenigen verfügbaren Anomalien, was zu unzufriedenstellender Leistung führt. Andererseits sind Anomalien typischerweise subtil, schwer zu erkennen und weisen eine große Vielfalt an Erscheinungsformen auf, was die Erkennung sowie insbesondere die Lokalisierung anormaler Regionen erheblich erschwert. Um diese Herausforderungen zu bewältigen, schlagen wir einen Ansatz namens Prototypical Residual Network (PRN) vor, der Merkmalsrestwerte unterschiedlicher Skalen und Größen zwischen anormalen und normalen Mustern lernt, um die Segmentierungskarten anormaler Regionen präzise wiederherzustellen. PRN besteht hauptsächlich aus zwei Komponenten: mehrskaligen Prototypen, die die Merkmalsrestwerte von Anomalien gegenüber Normalmustern explizit repräsentieren; sowie einem mehrgrößenbasierten Selbst-Attention-Mechanismus, der das Lernen von Anomalien mit variabler Größe ermöglicht. Zudem präsentieren wir eine Vielzahl von Strategien zur Generierung von Anomalien, die sowohl bekannte als auch unbekannte Erscheinungsvarianten berücksichtigen, um die Vielfalt und Reichweite der Anomalien zu erweitern. Umfangreiche Experimente am anspruchsvollen und weit verbreiteten MVTec AD-Benchmark zeigen, dass PRN gegenwärtige state-of-the-art-Methoden – sowohl in der überwachten als auch in der unüberwachten Anomalieerkennung – übertrifft. Zudem berichten wir über SOTA-Ergebnisse auf drei zusätzlichen Datensätzen, um die Wirksamkeit und Verallgemeinerungsfähigkeit von PRN zu unterstreichen.