異常データを用いずに画像における未知の異常パターンを検出できる高性能な欠陥検出モデルの構築を目指す。そのため、正常データのみを用いた二段階フレームワークを提案する。まず、自己教師付きの深層表現を学習し、その後、学習された表現上に生成的1クラス分類器を構築する。表現学習は、画像の一部領域を切り取り、大規模な画像内のランダムな位置に貼り付けるというシンプルなデータ拡張戦略「CutPaste」を用いて、正常データを分類することで行う。MVTec欠陥検出データセットを用いた実証的実験により、提案手法が多様な実世界の欠陥を検出可能な汎用性を持つことが示された。特に、表現学習をスクラッチから行う場合、従来手法に比べてAUC値で3.1向上を達成した。また、ImageNetで事前学習された表現を用いた転移学習により、新たな最先端性能となる96.6のAUCを達成した。さらに、訓練時にアノテーションを必要とせずに欠陥領域の局所化を可能とするように、本フレームワークをパッチ単位での表現学習・抽出に対応させる拡張も行った。