異常検出は、正常なデータから逸脱する異常データを特定することを目的としており、通常、このタスクを実行するためのモデルを訓練するために十分な量の正常データを必要とする。近年の異常検出手法は成功を収めているものの、未知のドメインにおける異常検出は依然として困難な課題である。本論文では、ドメイン一般化型のテクスチャ表面異常検出というタスクに取り組む。複数のソースドメインにわたる正常および異常な表面データを観察することで、我々のモデルは、テスト時に僅かにしか正常データが観測されない、未観測のテクスチャ表面にも一般化できることが期待される。訓練データでは画像レベルのラベルしか観測されないにもかかわらず、我々のパッチベースのメタラーニングモデルは有望な一般化能力を示す。具体的には、未観測の画像ドメインへの一般化に加え、クエリ画像における異常領域の局所化も可能である。実験の結果、我々のモデルはさまざまな設定において、最先端の異常検出およびドメイン一般化アプローチと比較して優れた性能を発揮することが確認された。