Die Entwicklung eines genauen und schnellen Anomalieerkennungsmodells ist eine zentrale Aufgabe in Echtzeit-Anwendungen der Computer Vision. In der Forschung wurde bereits viel unternommen, um ein einzelnes Modell zu entwickeln, das entweder strukturelle oder logische Anomalien detektiert – zwei Klassen, die inhärent unterschiedlich sind. Die Mehrheit der bestehenden Ansätze geht implizit davon aus, dass eine Anomalie durch die Identifizierung einer anomalen Position gut repräsentiert werden kann. Wir argumentieren jedoch, dass logische Anomalien, wie beispielsweise eine falsche Anzahl von Objekten, nicht hinreichend durch räumliche Merkmalskarten beschrieben werden können und daher einen alternativen Ansatz erfordern. Zudem konzentrieren wir uns auf die Möglichkeit, logische Anomalien mittels eines Out-of-Distribution-Detektionsansatzes im Merkmalsraum zu erkennen, der die räumliche Information der Merkmalskarte aggregiert. Als Demonstration stellen wir eine Methode vor, die einen einfachen Out-of-Distribution-Detektionsansatz im Merkmalsraum gegenüber aktuellen rekonstruktionsbasierten Ansätzen evaluiert. Trotz der Einfachheit unseres Ansatzes erreicht unsere Methode PUAD (Picturable and Unpicturable Anomaly Detection) eine state-of-the-art Leistung auf dem MVTec LOCO AD-Datensatz.