教師なし異常検出の本質は、正常サンプルの密集した分布を学習し、テスト段階で外れ値を異常として検出することにある。一方、実世界における異常は、特に産業分野の高解像度画像において、しばしば微細かつ繊細な特徴を示す。このような課題に応じて、本研究では教師なし異常検出および局所化のための新しいフレームワークを提案する。本手法は、粗いから細かい段階へのアライメントプロセスを用いて、正常画像から高密度かつ密集した分布を学習することを目的としている。粗いアライメント段階では、画像レベルおよび特徴レベルにおけるオブジェクトのピクセル単位の位置を標準化する。その後の細かいアライメント段階では、バッチ内のすべての対応する位置における特徴の類似度を高密度に最大化する。正常画像のみを用いた学習を促進するため、細かいアライメント段階に新たな事前学習タスクとして「非対比学習（non-contrastive learning）」を提案する。非対比学習は、異常サンプルに関する仮定を設けず、堅牢かつ識別性の高い正常画像表現を抽出可能であり、これによりモデルが多様な異常状況に一般化する能力を獲得する。MVTec ADおよびBenTech ADという2つの典型的な産業用データセットにおける広範な実験により、本フレームワークが多様な実世界の欠陥を効果的に検出でき、産業分野における教師なし異常検出の最新の最先端性能（state-of-the-art）を達成することが実証された。