異常セグメンテーションはドライビングアプリケーションにおいて重要なタスクであり、従来は画素単位の分類問題として扱われてきた。しかし、各画素を個別に推論する際、文脈的な意味情報を考慮しないと、物体の境界付近では高い不確実性が生じ、多数の誤検出（ファルスポジティブ）が発生する。本研究では、画素単位の分類からマスク単位の分類へとアプローチのパラダイムを変えることを提案する。我々が提案するマスクベースの手法「Mask2Anomaly」は、異常検出手法をマスク分類アーキテクチャに統合する可能性を実証している。Mask2Anomalyは、マスク内の異常検出性能を向上させるために以下の技術的革新を導入している：i) 前景領域と背景領域を個別に注目できるグローバルマスク注意機構；ii) 異常クラスと既知のクラス間のマージンを最大化するマスクコントラスト学習；iii) ファルスポジティブを低減するためのマスク精緻化手法。Mask2Anomalyは、画素単位およびコンポーネントレベルの評価において、複数のベンチマークで新たなSOTA（最先端）性能を達成した。特に、従来の最先端手法と比較して、平均的な誤検出率を60％低減した。GitHubページ：https://github.com/shyam671/Mask2Anomaly-Unmasking-Anomalies-in-Road-Scene-Segmentation