Der Kern der Out-of-Distribution (OOD)-Detektion besteht darin, eine repräsentative Darstellung der In-Distribution (ID)-Daten zu erlernen, die sich klar von OOD-Proben unterscheidet. Bisherige Ansätze haben erkenntnisbasierte Methoden zur Lernung von ID-Features eingesetzt, die tendenziell Kurzschlüsse statt umfassender Darstellungen erlernen. In dieser Arbeit stellen wir überraschenderweise fest, dass die reine Verwendung von rekonstruktionsbasierten Methoden die Leistung der OOD-Detektion signifikant steigern kann. Wir untersuchen tiefgreifend die zentralen Faktoren der OOD-Detektion und finden, dass rekonstruktionsbasierte Vorarbeit (pretext tasks) das Potenzial besitzen, einen allgemein anwendbaren und wirksamen Prior bereitzustellen, der dem Modell hilft, die inhärenten Datenverteilungen des ID-Datensatzes besser zu erfassen. Konkret setzen wir Masked Image Modeling als Vorarbeit für unseren OOD-Detektionsrahmen (MOOD) ein. Ohne zusätzliche Komplexitäten übertrifft MOOD die bisherigen State-of-the-Art-Methoden der One-Class-OOD-Detektion um 5,7 %, der Multi-Class-OOD-Detektion um 3,0 % und der Near-Distribution-OOD-Detektion um 2,1 %. Selbst die 10-shot-per-class Outlier Exposure-OOD-Detektion wird übertroffen, obwohl in unserem Ansatz keine OOD-Proben zur Ausbildung verwendet wurden.