従来の産業用異常検出手法は、特にスタイルが多様で特徴豊富なサンプルを含む訓練データセットの広範な多様性に対応することが困難であり、これを「特徴豊富な異常検出データセット（Feature-Rich Anomaly Detection datasets, FRADs）」と分類する。この課題は、多視点および多クラスのシナリオなど、実用的な応用において顕著である。本研究では、正常画像から広範な情報を効率的に圧縮・記憶できる高効率な自己符号化器（autoencoder）であるMiniMaxADを提案する。本モデルは、特徴の多様性を強化する手法を採用しており、ネットワークの有効な表現能力を向上させている。また、大規模なカーネル畳み込みを用いて高度に抽象化されたパターンを抽出し、効率的かつコンパクトな特徴埋め込みを実現している。さらに、FRADsに特化した「適応的収縮ハードマイニング損失（Adaptive Contraction Hard Mining Loss, ADCLoss）」を導入した。本手法により、任意のデータセットを特徴豊富な異常検出の枠組みに統一可能であり、その利点は課題を上回る。提案手法は、複数の困難なベンチマークにおいて最先端の性能を達成した。コードは以下のリンクから公開されている：\href{https://github.com/WangFengJiee/MiniMaxAD}{https://github.com/WangFengJiee/MiniMaxAD}