Die Erkennung von Anomalien in Bildern ist zu einem gut erforschten Problem sowohl in der Wissenschaft als auch in der Industrie geworden. Die neuesten Algorithmen sind in der Lage, Fehler in zunehmend schwierigen Szenarien und Datamodalitäten zu erkennen. Dennoch sind die meisten aktuellen Methoden nicht geeignet, um 3D-Objekte, die aus verschiedenen Positionen aufgenommen wurden, zu behandeln. Obwohl Lösungen mit Neuralen Strahlungsfeldern (NeRFs) vorgeschlagen wurden, leiden sie unter übermäßig hohen Rechenanforderungen, die die praktische Anwendbarkeit behindern. Aus diesem Grund schlagen wir den neuen 3D-Gauß-Splattings-basierten Ansatz SplatPose vor, der bei mehreren Aufnahmen eines 3D-Objekts aus verschiedenen Perspektiven die Position unbekannter Ansichten differenzierbar genauer schätzt und darin Anomalien erkennt. Wir erreichen Spitzenwerte sowohl in Trainings- als auch Schrittgang und Detektionsleistung, selbst wenn weniger Trainingsdaten verwendet werden als bei konkurrierenden Methoden. Unser Rahmenwerk wird anhand des kürzlich vorgeschlagenen Benchmarks für poseunabhängige Anomaliedetektion und dessen Mehrpose-Anomaliedetektions-Datensatz (MAD) gründlich evaluiert.