Die unsupervised Anomalieerkennung auf Bilddaten ist bekanntermaßen instabil. Wir vermuten, dass dies darauf zurückzuführen ist, dass viele klassische Anomalieerkennungsmethoden implizit davon ausgehen, dass die Daten niederdimensional sind. Tatsächlich sind Bilddaten jedoch stets hochdimensional. Obwohl Bilder in einen niederdimensionalen Embeddingraum projiziert werden können, beruhen solche Projektionen auf globalen Transformationen, die geringfügige Variationen abschneiden. Da Anomalien selten sind, fehlen im endgültigen Embedding oft die entscheidenden Variationen, die erforderlich wären, um Anomalien von normalen Instanzen zu unterscheiden. In diesem Artikel wird ein neuer Embedding-Ansatz vorgestellt, der auf einer Menge lokal variierender Datenprojektionen basiert, wobei jede Projektion dafür verantwortlich ist, die Variationen zu bewahren, die eine lokale Instanzencluster von allen anderen Instanzen unterscheiden. Der lokal variierende Embedding gewährleistet, dass die Variationen, die Anomalien von normalen Instanzen unterscheiden, erhalten bleiben, und ermöglicht gleichzeitig die statistische Schätzung der Wahrscheinlichkeit, dass eine Instanz zu einem bestimmten Cluster gehört, basierend auf der eindimensionalen, lokalen Projektion, die diesem Cluster zugeordnet ist. Durch statistische Aggregation der Cluster-Zugehörigkeitswahrscheinlichkeiten einer Instanz entsteht eine globale Maßzahl für deren Affinität zum Datensatz, wodurch Anomalien als Instanzen mit überraschend niedrigen Affinitätswerten hervortreten.