Bildrekonstruktionsbasierte Anomalieerkennungsmodelle werden in der industriellen visuellen Inspektion weitgehend erforscht. Allerdings leiden bestehende Modelle oft unter dem Kompromiss zwischen der Genauigkeit der Rekonstruktion normaler Muster und der Unterscheidbarkeit abnormer Muster, was die Gesamtleistung beeinträchtigt. In dieser Arbeit stellen wir fest, dass dieser Kompromiss durch die Nutzung der charakteristischen Frequenzunterschiede zwischen normalen und abnormen Rekonstruktionsfehlern besser gemildert werden kann. Dazu präsentieren wir Frequency-aware Image Restoration (FAIR), eine neuartige selbstüberwachte Bildrekonstruktionsaufgabe, die Bilder aus ihren Hochfrequenzkomponenten rekonstruiert. FAIR ermöglicht eine präzise Rekonstruktion normaler Muster, während die unerwünschte Verallgemeinerung auf Anomalien reduziert wird. Mit lediglich einem einfachen, unveränderten UNet erreicht FAIR state-of-the-art-Leistung mit höherer Effizienz auf verschiedenen Datensätzen zur Defekterkennung. Code: https://github.com/liutongkun/FAIR.