Die meisten Methoden zur unsupervisierten Bildanomalie-Lokalisierung leiden unter Übergeneralisierung, da die hohen Generalisierungsfähigkeiten von Faltungsneuralen Netzen zu unzuverlässigen Vorhersagen führen. Um die Übergeneralisierung zu verringern, schlägt diese Studie vor, gemeinsam die Verteilungen normaler und abnormaler Merkmale mit Hilfe synthetischer Anomalien zu optimieren, was als kollaborative Diskrepanz-Optimierung (Collaborative Discrepancy Optimization, CDO) bezeichnet wird. CDO führt ein Margin-Optimierungsmodul und ein Überlappungs-Optimierungsmodul ein, um die beiden entscheidenden Faktoren für die Lokalisierungsgenauigkeit zu optimieren: den Abstand (Margin) und die Überlappung zwischen den Diskrepanzverteilungen (DDs) von normalen und abnormalen Proben. Durch CDO wird ein großer Abstand und eine geringe Überlappung zwischen den DDs von normalen und abnormalen Proben erreicht, wodurch die Zuverlässigkeit der Vorhersagen signifikant gesteigert wird. Experimente an MVTec2D und MVTec3D zeigen, dass CDO die Übergeneralisierung effektiv reduziert und eine herausragende Leistung bei der Anomalie-Lokalisierung mit Echtzeit-Berechnungseffizienz erzielt. Eine Anwendung im Bereich der Inspektion von automobilen Kunststoffteilen im realen Einsatz unterstreicht zudem die praktische Relevanz des vorgeschlagenen CDO-Ansatzes. Der Quellcode ist unter https://github.com/caoyunkang/CDO verfügbar.