In diesem Artikel stellen wir den neuartigen State-of-the-Art-Frame-Work Dual-Attention Transformer and Discriminative Flow (DADF) für die visuelle Anomalieerkennung vor. Auf Basis ausschließlich von Normalwissen hat die visuelle Anomalieerkennung breite Anwendungen in industriellen Szenarien und erregt erhebliches Interesse. Allerdings erfüllen die meisten bestehenden Methoden die Anforderungen nicht zufriedenstellend. Im Gegensatz dazu präsentiert der vorgeschlagene DADF einen neuen Paradigmenwechsel: Zunächst nutzt er ein vortrainiertes Netzwerk, um mehrskalige Prior-Embeddings zu erlangen, gefolgt von der Entwicklung eines Vision-Transformers mit dualen Aufmerksamkeitsmechanismen – nämlich Selbst-Aufmerksamkeit und Gedächtnis-Aufmerksamkeit – zur zweistufigen Rekonstruktion der Prior-Embeddings unter Berücksichtigung der zeitlichen und Normalitätsassoziation. Darüber hinaus schlagen wir vor, Normalisierungsfluss (normalizing flow) einzusetzen, um eine diskriminative Likelihood für die gemeinsame Verteilung von Prior- und Rekonstruktionsdaten auf jeder Skala zu etablieren. Der DADF erreicht auf den Mvtec AD-Benchmarks 98,3/98,4 im Bild-/Pixel-AUROC und auf den Mvtec LOCO AD-Benchmarks 83,7 im Bild-AUROC sowie 67,4 im Pixel-sPRO, was die Wirksamkeit unseres vorgeschlagenen Ansatzes eindrucksvoll belegt.