Traditionelle auf Rekonstruktion basierende Methoden haben Schwierigkeiten, wettbewerbsfähige Leistung bei der Anomalieerkennung zu erzielen. In diesem Artikel stellen wir Denoising Diffusion Anomaly Detection (DDAD) vor, einen neuartigen Denoisingsprozess für die Bildrekonstruktion, der auf einem Zielbild bedingt ist. Dies gewährleistet eine konsistente Wiederherstellung, die dem Zielbild nahekommt. Unser Anomalieerkennungsframework nutzt die Bedingungsmechanik, bei der das Zielbild als Eingabebild verwendet wird, um den Denoisingsprozess zu leiten, was eine fehlerfreie Rekonstruktion unter Beibehaltung der nominalen Muster ermöglicht. Anomalien werden anschließend durch eine pixelweise und featureweise Vergleich der Eingabe- und der rekonstruierten Bilder lokalisiert. Um die Effektivität des featureweisen Vergleichs weiter zu verbessern, führen wir eine Domänenanpassungsmethode ein, die nahezu identische generierte Beispiele aus unserem bedingten Denoisingsprozess nutzt, um den vortrainierten Feature-Extractor zu feinabstimmen. Die Wirksamkeit von DDAD wird an verschiedenen Datensätzen, einschließlich der MVTec- und VisA-Benchmarks, nachgewiesen und erreicht dabei state-of-the-art-Ergebnisse von jeweils (99{,}8,%) und (98{,}9,%) AUROC auf Bildebene.