Zur Erkennung von Anomalien verschiedener Größen bei komplexen Normalmustern schlagen wir eine templategeleitete hierarchische Merkmalsrekonstruktion vor, die zwei Schlüsseltechniken einführt: Bottleneck-Kompression und templategeleitete Kompensation, um anormalitätsfreie Merkmale wiederherzustellen. Insbesondere komprimiert unser Framework hierarchische Merkmale eines Bildes mittels einer Bottleneck-Struktur, um die wichtigsten, bei normalen Proben gemeinsam auftretenden Merkmale zu bewahren. Wir entwerfen eine templategeleitete Kompensation, um verzerrte Merkmale hin zu anormalitätsfreien Merkmalen zurückzuführen. Konkret wählen wir die ähnlichste normale Probe als Template und nutzen hierarchische Merkmale aus diesem Template, um die verzerrten Merkmale zu kompensieren. Die Bottleneck-Kompression kann Anomalie-Merkmale teilweise filtern, während die Kompensation die verbleibenden Anomalie-Merkmale unter Template-Leitung weiterhin in normale Merkmale umwandelt. Schließlich erfolgt die Anomalieerkennung anhand des Kosinusabstands zwischen den vortrainierten Merkmalen eines inferierten Bildes und den entsprechend wiederhergestellten anormalitätsfreien Merkmalen. Experimentelle Ergebnisse belegen die Wirksamkeit unseres Ansatzes, der auf dem MVTec LOCO AD-Datensatz die bisher beste Leistung erzielt.