Wir schlagen ein einfaches und anwendungsfreundliches Netzwerk (namens SimpleNet) zur Erkennung und Lokalisierung von Anomalien vor. SimpleNet besteht aus vier Komponenten: (1) einem vortrainierten Feature-Extractor, der lokale Merkmale generiert; (2) einem flachen Feature-Adapter, der lokale Merkmale in Richtung des Zieldomains überträgt; (3) einem einfachen Anomaly Feature Generator, der durch Hinzufügen von Gaußschem Rauschen zu normalen Merkmalen synthetische Anomalien erzeugt; und (4) einem binären Anomaly-Discriminator, der Anomalie-Merkmale von normalen Merkmalen unterscheidet. Während der Inferenz wird der Anomaly Feature Generator entfernt. Unser Ansatz basiert auf drei Intuitionen: Erstens hilft die Transformation vortrainierter Merkmale in zielorientierte Merkmale, Domänenbias zu vermeiden. Zweitens ist die Generierung synthetischer Anomalien im Merkmalsraum effektiver, da Defekte im Bildraum möglicherweise nur geringe Gemeinsamkeiten aufweisen. Drittens ist ein einfacher Discriminator deutlich effizienter und praktikabler. Trotz seiner Einfachheit übertrifft SimpleNet bisherige Methoden sowohl quantitativ als auch qualitativ. Auf der MVTec AD-Benchmark erreicht SimpleNet eine Anomalie-Erkennungs-AUROC von 99,6 %, wodurch der Fehler im Vergleich zum nächstbesten Modell um 55,5 % reduziert wird. Zudem ist SimpleNet schneller als bestehende Ansätze und erreicht auf einer 3080ti-GPU eine hohe Bildwiederholrate von 77 FPS. Darüber hinaus zeigt SimpleNet erhebliche Leistungsverbesserungen bei der One-Class Novelty Detection-Aufgabe. Code: https://github.com/DonaldRR/SimpleNet.