Diese Studie untersucht die Leistung robuster Anomalieerkennungsmodelle im Bereich der industriellen Inspektion mit besonderem Fokus auf ihre Fähigkeit, mit verrauschten Daten umzugehen. Wir schlagen vor, die Anpassungsfähigkeit von Meta-Lernverfahren zu nutzen, um verrauschte Trainingsdaten zu identifizieren und auszuschließen, um den Lernprozess zu verbessern. In unserem Ansatz setzen wir Model-Agnostic Meta Learning (MAML) ein und kombinieren dies mit einem iterativen Verbesserungsprozess mittels eines Interquartilsabstand-basierten Ausschlussverfahrens, um die Anpassungsfähigkeit und Robustheit der Modelle zu erhöhen. Dieser Ansatz verbessert die Fähigkeit der Modelle erheblich, zwischen normalen und defekten Zuständen zu unterscheiden. Die Ergebnisse unserer Experimente an den etablierten Datensätzen MVTec und KSDD2 zeigen, dass die vorgeschlagene Methode nicht nur in Umgebungen mit erheblichem Rauschen hervorragt, sondern auch bei klar strukturierten Trainingsdatensätzen beiträgt, indem sie jene Proben isoliert, die relativ außerhalb der Verteilung liegen. Damit erzielt sie signifikante Verbesserungen gegenüber herkömmlichen Modellen.