Ein einzelnes unerwartetes Objekt auf der Straße kann einen Unfall verursachen oder zu Verletzungen führen. Um dies zu verhindern, benötigen wir ein zuverlässiges Mechanismus zur Erkennung von anomalen Objekten auf der Straße. Diese Aufgabe, als Anomaliesegmentierung bezeichnet, kann ein wichtiger Schritt für sichere und zuverlässige autonome Fahrzeuge sein. Aktuelle Ansätze lösen das Problem der Anomaliesegmentierung, indem sie jedem Pixel einen Anomaliewert zuweisen und anomale Bereiche mit einfachen Heuristiken gruppieren. Allerdings stellt die Gruppierung von Pixeln eine Einschränkung dar, wenn es um die Bewertung der Segmentierungsleistung einzelner anomaler Objekte geht. Um das Problem der Gruppierung mehrerer Anomalieinstanzen in eine einzige Instanz anzugehen, schlagen wir einen Ansatz vor, der präzise Masken für Anomalieinstanzen erzeugt. Unser Ansatz konzentriert sich auf ein Out-of-Distribution-Segmentierungsmodell zur Identifikation unsicherer Regionen und ein starkes Generalisten-Segmentierungsmodell zur Segmentierung von Anomalieinstanzen. Wir untersuchen Methoden, wie unsichere Regionen verwendet werden können, um ein solches Segmentierungsmodell bei der Segmentierung von Anomalieinstanzen zu leiten. Durch die Einbeziehung starker Objektprämisse aus einem Generalisten-Modell verbessern wir zudem die Leistung der per-Pixel-Anomaliesegmentierung. Unser Ansatz übertrifft aktuelle pixelbasierte Anomaliesegmentierungsverfahren und erreicht eine durchschnittliche Präzision (AP) von 80,08 % auf dem Fishyscapes Lost and Found-Datensatz und 88,98 % auf dem RoadAnomaly-Validierungsdatensatz. Projektseite: https://vision.rwth-aachen.de/ugains