Ungleichgewichtsprobleme bei der Objekterkennung sind eine der zentralen Herausforderungen, die die Leistung erheblich beeinträchtigen. In dieser Arbeit konzentrieren wir uns auf ein Ungleichgewichtsproblem, das sich aus der Defekterkennung in industriellen Inspektionen ergibt, einschließlich der unterschiedlichen Anzahl von Defekt- und Nicht-Defekt-Datensätzen, der Verteilungslücke zwischen Defektklassen sowie der variierenden Größe von Defekten. Um diesem Problem zu begegnen, setzen wir eine Anomalieerkennungsmethode ein, die darauf abzielt, ungewöhnliche Muster zu identifizieren, um diese anspruchsvollen Aufgaben zu bewältigen. Insbesondere haben generative adversarische Netzwerke (GANs) und auf Autoencodern basierende Ansätze sich in diesem Bereich als wirksam erwiesen. In dieser Arbeit tragen wir zwei Beiträge bei: 1) Wir stellen ein neuartiges, auf GANs basierendes Anomalieerkennungsmodell vor, das einen Autoencoder als Generator und zwei getrennte Diskriminatoren für jeweils normale und anomale Eingaben verwendet; und 2) Wir untersuchen zudem eine effektive Optimierungsmethode für unser Modell durch die Einführung neuer Verlustfunktionen: Patch-Verlust und Anomalie-adversarialer Verlust, welche anschließend kombiniert werden, um das Modell gemeinsam zu trainieren. In unseren Experimenten bewerten wir unser Modell anhand konventioneller Benchmark-Datensätze wie MNIST, Fashion MNIST, CIFAR 10/100 sowie an einem realen industriellen Datensatz – Defekte an Smartphonestäben. Die experimentellen Ergebnisse belegen die Wirksamkeit unseres Ansatzes, indem sie zeigen, dass unsere Methode die aktuellen State-of-the-Art-Verfahren hinsichtlich des durchschnittlichen Flächeninhalts unter der ROC-Kurve (AUROC) übertrifft.