Die industrielle Bildanomalieerkennung im Rahmen der One-Class-Klassifikation weist erheblichen praktischen Wert auf. Allerdings haben die meisten bestehenden Modelle Schwierigkeiten, trennbare Merkmalsdarstellungen bei der Merkmalsextraktion zu erzeugen, und sind zudem unzureichend in der Erstellung kompakter Beschreibungen normaler Merkmale bei der One-Class-Klassifikation. Ein direkter Folge dieser Schwächen ist, dass die meisten Modelle bei der Erkennung logischer Anomalien, die kontextuelle Beziehungen verletzen, schlecht abschneiden. Um eine effektivere und umfassendere Anomalieerkennung zu ermöglichen, schlagen wir ein Netzwerk basierend auf selbstüberwachtem Lernen und selbst-attentivem Graphen-Convolution (SLSG) zur Anomalieerkennung vor. SLSG nutzt ein generatives Vortrainingsnetzwerk, um den Encoder bei der Lernung der Einbettung normaler Muster sowie der Ableitung von Positionsbeziehungen zu unterstützen. Anschließend integriert SLSG durch simuliertes Anomalie-Priorwissen, das aus künstlich erzeugten abnormen Proben gewonnen wird. Durch den Vergleich dieser simulierten Anomalien kann SLSG die normalen Merkmale präziser zusammenfassen und die Hypersphäre, die für die One-Class-Klassifikation verwendet wird, enger definieren. Darüber hinaus modelliert SLSG mithilfe einer allgemeineren Graphenstruktur sowohl dichte als auch spärliche Beziehungen zwischen den Bildelementen umfassend, was die Erkennung logischer Anomalien weiter verbessert. Ausführliche Experimente auf Benchmark-Datensätzen zeigen, dass SLSG eine überlegene Leistung bei der Anomalieerkennung erzielt und somit die Wirksamkeit unseres Ansatzes belegt.