視覚的異常検出は、正常な外観から逸脱する領域を分類および位置特定することを目的としている。このタスクに対して、埋め込みベース（embedding-based）手法と再構成ベース（reconstruction-based）手法が主なアプローチとして用いられている。しかし、これらは産業用途における異常検出において、いずれも効率性または精度の点で十分ではない。この課題に対処するため、本研究では「POUTA（Produce Once Utilize Twice for Anomaly detection）」を提案する。POUTAは、再構成ネットワーク内に内在する識別的特徴情報の再利用によって、精度と効率の両方を向上させる。我々の観察によれば、再構成ネットワークにおけるエンコーダとデコーダの出力表現は、それぞれ元画像と再構成画像の特徴を適切に表現可能である。さらに、対称的な再構成表現間の差異から、概ね正確な異常情報が得られる。この情報をさらに精緻化するため、POUTAでは粗から細への段階的処理（coarse-to-fine process）を導入し、高レベル表現と監督損失を用いて各識別層の意味情報を補正する。上記モジュールを備えることで、POUTAは従来手法に比べてより正確な異常位置推定が可能となる。また、表現の再利用により、識別ネットワークにおける特徴抽出プロセスを省略できるため、パラメータ数を削減し、処理効率が向上する。広範な実験結果から、POUTAはコストがさらに低く抑えられながらも、既存手法と同等または優れた性能を達成することが示された。さらに、特別な設計を施さずに、最先端の少サンプル異常検出手法よりも優れた性能を達成していることから、POUTAが学習データに内在する表現を強力に学習する能力を持っていることが示された。