Diese Studie stellt den iterativen Verbesserungsprozess (Iterative Refinement Process, IRP) vor, eine robuste Anomalieerkennungsmethode, die für hochsensible industrielle Qualitätskontrollanwendungen konzipiert ist. Der IRP steigert die Genauigkeit der Defekterkennung durch eine zyklische Datenverfeinerungsstrategie, bei der irrelevante oder irreführende Datenpunkte iterativ entfernt werden, um die Leistungsfähigkeit und Robustheit des Modells zu verbessern. Die Wirksamkeit des IRP wird anhand zweier Benchmark-Datensätze, des Kolektor SDD2 (KSDD2) und des MVTec AD, validiert, die eine breite Palette industrieller Produkte und Defektarten abdecken. Unsere experimentellen Ergebnisse zeigen, dass der IRP konsistent über traditionelle Anomalieerkennungsmodelle hinausgeht, insbesondere in Umgebungen mit hohem Rauschpegel. Diese Studie unterstreicht das erhebliche Potenzial des IRP, Prozesse der Anomalieerkennung in industriellen Anwendungen signifikant zu verbessern und die Herausforderungen von spärlichen und verrauschten Daten effektiv zu bewältigen.