Anomaliesynthese-Strategien können die unsupervised Anomalieerkennung effektiv verbessern. Bestehende Ansätze weisen jedoch Einschränkungen hinsichtlich der Abdeckung und Kontrollierbarkeit der Anomaliesynthese auf, insbesondere bei schwachen Defekten, die den normalen Regionen sehr ähnlich sind. In diesem Artikel stellen wir den Global and Local Anomaly co-Synthesis Strategy (GLASS) vor, einen neuartigen, einheitlichen Rahmen, der eine breitere Abdeckung an Anomalien unter Berücksichtigung der Mannigfaltigkeits- und Hypersphärenverteilungsbeschränkungen sowohl auf Merkmalsebene mittels Global Anomaly Synthesis (GAS) als auch auf Bildebene mittels Local Anomaly Synthesis (LAS) ermöglicht. Unser Verfahren synthetisiert nahe-distribution Anomalien kontrolliert durch die Nutzung von Gaußschem Rauschen, das durch Gradientenanstieg und abgeschnittene Projektion geleitet wird. GLASS erreicht state-of-the-art Ergebnisse auf den Datensätzen MVTec AD (Erkennung AUROC von 99,9 %), VisA und MPDD und zeigt herausragende Leistung bei der Erkennung schwacher Defekte. Die Wirksamkeit und Effizienz wurden zudem in industriellen Anwendungen zur Erkennung von Fehlern in Geweben bestätigt. Der Quellcode und die Datensätze sind unter folgender URL verfügbar: \url{https://github.com/cqylunlun/GLASS}.