私たちは、通常の訓練データのみを使用して異常検出と局所化のためのエンドツーエンドモデルを学習するための単純で直感的な自己監督タスク、ナチュラル・シンセティック・アノマリーズ（NSA）を紹介します。NSAはポアソン画像編集を統合し、異なる画像から様々なサイズのスケーリングされたパッチを滑らかにブレンドします。これにより、以前の自己監督異常検出用データ拡張戦略よりも自然な部分画像の不規則性に近い幅広い合成異常が生成されます。私たちは提案手法を自然画像と医療画像を使用して評価しました。MVTec ADデータセットでの実験では、NSA異常を局所化するために学習したモデルが、事前に未知の製造欠陥タイプの検出において良好な汎化性能を示すことが確認されました。私たちの方法は全体的な検出AUROCで97.2を達成しており、追加のデータセットを使用せずに学習するすべての従来手法を上回っています。コードはhttps://github.com/hmsch/natural-synthetic-anomalies で利用可能です。