Die Anomalieerkennung ist entscheidend für die präzise Identifizierung von Produktfehlern wie falschen Teilen, fehlerhaft positionierten Komponenten oder Schäden im industriellen Fertigungsprozess. Aufgrund der seltenen Auftretens und der unbekannten Art von Defekten gilt die Anomalieerkennung in der maschinellen Lernumgebung als herausfordernd. Um diese Schwierigkeit zu überwinden, nutzen aktuelle Ansätze gemeinsame visuelle Darstellungen, die aus natürlichen Bild-Datensätzen vortrainiert wurden, und extrahieren relevante Merkmale durch Merkmalsdistanzierung. Dennoch weisen bestehende Ansätze weiterhin eine Diskrepanz zwischen den vortrainierten Merkmalen und den Ziel-Daten auf oder erfordern Eingabeverstärkung, die besonders für industrielle Datensätze sorgfältig gestaltet werden muss. In diesem Paper stellen wir ReConPatch vor, das diskriminative Merkmale für die Anomalieerkennung durch die Schätzung einer linearen Modulation von Patch-Merkmalen, die aus einem vortrainierten Modell extrahiert wurden, konstruiert. ReConPatch nutzt kontrastive Darstellungslernverfahren, um Merkmale so zu sammeln und zu verteilen, dass eine zielgerichtete und leicht trennbare Darstellung entsteht. Um die fehlenden gelabelten Paare für das kontrastive Lernen zu kompensieren, verwenden wir zwei Ähnlichkeitsmaße zwischen Datenrepräsentationen – Paarweises und kontextuelles Ähnlichkeitsmaß – als Pseudolabels. Unser Ansatz erreicht die bisher beste Leistung bei der Anomalieerkennung (99,72 %) auf dem weit verbreiteten und anspruchsvollen MVTec AD-Datensatz. Zudem erzielen wir eine state-of-the-art-Leistung (95,8 %) auf dem BTAD-Datensatz.