Selbstüberwachte Methoden zur Merkmalsrekonstruktion haben vielversprechende Fortschritte bei der Anomalieerkennung und -lokalisierung in industriellen Bildern gezeigt. Trotz dieser Fortschritte stehen diese Ansätze weiterhin vor Herausforderungen hinsichtlich der Synthese realistischer und vielfältiger Anomalien sowie der Bewältigung von Merkmalsredundanz und Vortrainingsverzerrungen in vortrainierten Merkmalen. In dieser Arbeit stellen wir RealNet vor, ein Netzwerk zur Merkmalsrekonstruktion mit realistisch synthetisierten Anomalien und adaptiver Merkmalsauswahl. Es integriert drei zentrale Innovationen: Erstens schlagen wir Strength-controllable Diffusion Anomaly Synthesis (SDAS) vor, eine auf Diffusionsprozessen basierende Synthesestrategie, die Proben mit variabler Anomalstärke erzeugt, die der Verteilung realer Anomalien nachahmen. Zweitens entwickeln wir Anomaly-aware Features Selection (AFS), eine Methode zur Auswahl repräsentativer und diskriminativer Teilmengen vortrainierter Merkmale, die die Leistung der Anomalieerkennung verbessert, gleichzeitig jedoch die Rechenkosten kontrolliert. Drittens führen wir Reconstruction Residuals Selection (RRS) ein, eine Strategie, die diskriminative Residuen adaptiv auswählt, um Anomalien auf mehreren Granularitätsstufen umfassend zu identifizieren. Wir evaluieren RealNet an vier Benchmark-Datensätzen, und unsere Ergebnisse zeigen deutliche Verbesserungen sowohl im Image AUROC als auch im Pixel AUROC gegenüber den derzeitigen State-of-the-Art-Methoden. Der Code, die Daten und die Modelle sind unter https://github.com/cnulab/RealNet verfügbar.