本稿では、異常検出（AD）における実用的だが未だ十分に研究されていない設定である少数ショット異常検出（FSAD）に焦点を当てる。FSADでは、各カテゴリに対して訓練時に限られた数の正常画像しか提供されない。これまでのFSAD研究は、標準的なADで用いられる「カテゴリごとに1つのモデルを学習する」パラダイムに従っており、カテゴリ間の共通性についてはほとんど検討されてこなかった。人間が異常を検出する方法に着想を得て、特定の画像を正常画像と比較するというアプローチを採用する。そこで、カテゴリに依存しない汎化性を内包する画像アライメント（登録）というタスクを代理タスクとして活用し、カテゴリに依存しない異常検出モデルの学習を行う。テスト段階では、テスト画像とその対応するサポート画像（正常画像）の登録された特徴量を比較することで異常を特定する。本研究が知る限り、これは新しいカテゴリに対し再学習やパラメータの微調整を必要とせず、単一の汎化可能なモデルを訓練できる初めてのFSAD手法である。実験結果から、MVTecおよびMPDDベンチマークにおいて、提案手法は最先端のFSAD手法に対してAUCで3%～8%の性能向上を達成した。