Anomalie-Segmentierung ist eine entscheidende Aufgabe für Anwendungen im Bereich des autonomen Fahrens und wird traditionell als ein pro-Pixel-Klassifikationsproblem angegangen. Die individuelle Betrachtung jedes Pixels ohne Berücksichtigung kontextueller Semantik führt jedoch zu hoher Unsicherheit an den Objekträndern sowie zu einer großen Anzahl von Falschpositiven. Wir schlagen einen Paradigmenwechsel vor, indem wir von der pro-Pixel-Klassifikation zu einer Masken-Klassifikation wechseln. Unser maskenbasiertes Verfahren, Mask2Anomaly, zeigt die Machbarkeit der Integration eines Anomalieerkennungsansatzes in eine Masken-Klassifizierungsarchitektur. Mask2Anomaly beinhaltet mehrere technische Innovationen, die darauf abzielen, die Erkennung von Anomalien in Masken zu verbessern: i) ein globales maskiertes Aufmerksamkeitsmodul, das jeweils separat auf Vordergrund- und Hintergrundregionen fokussiert; ii) ein maskenbasiertes Kontrastlernverfahren, das den Abstand zwischen Anomalien und bekannten Klassen maximiert; und iii) eine Masken-Verfeinerungslösung zur Reduktion von Falschpositiven. Mask2Anomaly erreicht neue SOTA-Ergebnisse (state-of-the-art) auf einer Vielzahl von Benchmarks, sowohl bei der pro-Pixel- als auch bei der komponentenbasierten Bewertung. Insbesondere senkt Mask2Anomaly die durchschnittliche Falschpositiv-Rate um 60 % gegenüber dem vorherigen Stand der Technik. GitHub-Seite: https://github.com/shyam671/Mask2Anomaly-Unmasking-Anomalies-in-Road-Scene-Segmentation.