視覚的表面異常検出は、正常な外観から著しく逸脱する画像領域を検出することを目的としている。近年の表面異常検出手法は、正常領域の正確な再構成を可能にし、異常領域では失敗する生成モデルに依存している。これらの手法は異常を含まない画像のみで学習され、異常の局在化のためにしばしば手作業による後処理を必要とするため、検出能力を最大化するための特徴抽出の最適化が困難である。再構成アプローチに加えて、本研究では表面異常検出を主に判別的問題として捉え、判別的に学習される再構成異常埋め込みモデル（Discriminatively Trained Reconstruction Anomaly Embedding Model, DRAEM）を提案する。本手法は、異常画像とその異常を含まない再構成画像の共同表現を学習しつつ、正常例と異常例の間の決定境界も同時に学習する。このアプローチにより、ネットワーク出力に対する複雑な後処理を必要とせずに直接的に異常を局在化可能であり、シンプルかつ一般的な異常シミュレーションを用いた学習が可能である。挑戦的なMVTec異常検出データセットにおいて、DRAEMは現在の最先端の非教師あり手法を大幅に上回り、広く用いられるDAGM表面欠陥検出データセットでは、完全教師あり手法に近い検出性能を達成しつつ、局在化精度においては著しく優れた結果を示している。