Die Oberflächenanomalieerkennung ist ein wesentlicher Bestandteil der Fertigungsinspektion. Aktuelle diskriminative Methoden folgen einer zweistufigen Architektur, die aus einem rekonstruktiven Netzwerk und einem darauf aufbauenden diskriminativen Netzwerk besteht, das sich auf die Rekonstruktionsergebnisse stützt. Derzeit verwendete rekonstruktive Netzwerke erzeugen oft mangelhafte Rekonstruktionen, die entweder immer noch Anomalien enthalten oder in anomaliefreien Bereichen Details vermissen lassen. Diskriminative Methoden sind gegenüber manchen Fehlern des rekonstruktiven Netzwerks robust, was darauf hindeutet, dass das diskriminative Netzwerk ein starkes Signal für normale Erscheinungen lernt, das von den rekonstruktiven Netzwerken übersehen wird. Wir reformulieren die zweistufige Architektur zu einem einstufigen iterativen Prozess, der den Informationsaustausch zwischen Rekonstruktion und Lokalisierung ermöglicht. Wir schlagen einen neuen diffusionsbasierten Prozess vor, bei dem die Transparenz anomaler Bereiche schrittweise erhöht wird, um ihr normales Erscheinungsbild präzise wiederherzustellen, während gleichzeitig das Erscheinungsbild anomaliefreier Bereiche durch Lokalisierungshinweise aus früheren Schritten beibehalten wird. Wir implementieren den vorgeschlagenen Prozess als TRANSparency DifFUSION (TransFusion), eine neuartige diskriminative Methode zur Anomalieerkennung, die sowohl auf dem VisA- als auch auf dem MVTec AD-Datensatz Spitzenleistungen erzielt, mit jeweils 98,5 % und 99,2 % im Bild-Level-AUROC. Code: https://github.com/MaticFuc/ECCV_TransFusion