Im Bereich der praktischen Anomalieerkennungsaufgaben (Anomaly Detection, AD) erweist sich das manuelle Kennzeichnen anomaler Pixel als ein kostspieliges Unterfangen. Daher werden viele AD-Methoden als One-Class-Klassifizierer entwickelt, die für Trainingsdatensätze ohne Anomalien optimiert sind, um eine kosteneffizientere Herangehensweise zu gewährleisten. Obwohl einige vorausgehende Arbeiten gezeigt haben, dass die AD-Genauigkeit durch die Einbeziehung echter Anomaliebeispiele in das Training gesteigert werden kann, geht dieser Fortschritt mit aufwendigen Kennzeichnungsprozessen einher. In diesem Artikel wird das Gleichgewicht zwischen AD-Genauigkeit und Kennzeichnungskosten durch die Einführung von ADClick hergestellt, einem neuen interaktiven Bildsegmentierungsalgorithmus (Interactive Image Segmentation, IIS). ADClick erzeugt effizient "Ground-Truth"-Anomaliesegmente für echte defekte Bilder unter Verwendung innovativer Residuenmerkmale und sorgfältig konzipierter Sprachanweisungen. Bemerkenswerterweise zeigt ADClick eine deutlich erhöhte Generalisierungsfähigkeit im Vergleich zu den aktuellen besten IIS-Ansätzen. Als Anomaliekennzeichnungstool erzeugt ADClick hochwertige Anomaliekennzeichnungen (AP = 94,1 % auf MVTec AD) basierend auf nur 3 bis 5 manuellen Klickannotierungen pro Trainingsbild. Darüber hinaus erweitern wir die Fähigkeiten von ADClick zu ADClick-Seg, einem verbesserten Modell zur Anomalieerkennung und -lokalisation. Durch Feinabstimmung des ADClick-Seg-Modells mithilfe der schwachen Kennzeichnungen, die von ADClick abgeleitet wurden, erreichen wir Spitzenleistungen in überwachten AD-Aufgaben (AP = 86,4 % auf MVTec AD und AP = 78,4 %, PRO = 98,6 % auf KSDD2).