産業材料の表面異常検出は、多岐にわたる産業製造プロセスにおいて大きな課題である。近年、自然画像で事前に学習されたネットワークを活用して代表的な特徴量を抽出する手法が多数登場しており、その後、メモリバンク、正規化フロー、知識蒸留などの多様な処理技術を用いて特徴量を処理することで、優れた検出精度が達成されている。本論文では、事前学習済み特徴量に基づくアプローチを見直し、ターゲット特化型埋め込み（target-specific embedding）を核とする新たな手法を提案する。検出対象のテクスチャの最も代表的な特徴を捉えるために、訓練段階で人工的に生成された欠陥サンプルと欠陥なしサンプルの両方を用いた対照的学習（contrastive training）の変種を採用する。表面の内在的性質に着目し、欠陥なしサンプルから訓練中に意味のある表現を導出し、異常スコアの簡便かつ効果的な計算を可能にした。MVTEC ADおよびTILDAデータセットにおける実験結果から、本手法が最先端の手法と比較しても競争力を持つことが示された。