Bisherige Methoden zur industriellen Anomalieerkennung haben häufig Schwierigkeiten, die große Vielfalt in Trainingsdatensätzen zu bewältigen, insbesondere wenn diese stilistisch unterschiedliche und merkmalsreiche Beispiele enthalten – was wir als Merkmalsreiche Anomalieerkennungsdatensätze (FRADs) klassifizieren. Diese Herausforderung zeigt sich deutlich in Anwendungen wie Multi-View- und Multi-Klassen-Szenarien. Um dieser Herausforderung zu begegnen, haben wir MiniMaxAD entwickelt, einen effizienten Autoencoder, der umfangreiche Informationen aus normalen Bildern effizient komprimieren und speichern kann. Unser Modell setzt eine Technik ein, die die Merkmalsvielfalt erhöht und damit die effektive Kapazität des Netzwerks steigert. Zudem nutzt es große Kernel-Konvolutionen, um hochabstrakte Muster zu extrahieren, was zu effizienten und kompakten Merkmalsdarstellungen beiträgt. Darüber hinaus führen wir eine adaptive Kontraktions-Hard-Mining-Verlustfunktion (ADCLoss) ein, speziell für FRADs optimiert. In unserer Methodologie kann jeder Datensatz innerhalb des Rahmens der merkmalsreichen Anomalieerkennung einheitlich behandelt werden, wobei die Vorteile klar die Nachteile überwiegen. Unser Ansatz erreicht state-of-the-art-Leistungen in mehreren anspruchsvollen Benchmark-Datensätzen. Der Quellcode ist verfügbar unter: \href{https://github.com/WangFengJiee/MiniMaxAD}{https://github.com/WangFengJiee/MiniMaxAD}