本研究では、産業用検査におけるロバストな異常検出モデルの性能について検討し、特にノイズの多いデータに対応する能力に注目する。本研究では、メタラーニング手法の適応能力を活用し、学習プロセスの改善を目的として、ノイズの多い訓練データを特定・排除する手法を提案する。本モデルでは、モデルに依存しないメタラーニング（Model Agnostic Meta Learning: MAML）と、四分位範囲（Inter-Quartile Range: IQR）に基づく反復的精製プロセスを組み合わせることで、モデルの適応性およびロバスト性を向上させている。このアプローチにより、正常状態と欠陥状態を明確に識別する能力が顕著に向上した。MVTecおよびKSDD2という代表的なデータセットを用いた実験の結果、提案手法は大幅なノイズが存在する環境下でも優れた性能を発揮するだけでなく、明確な訓練データセットにおいても、分布外（out-of-distribution）のサンプルを効果的に抽出・排除できることを示した。これにより、従来のモデルに比べて顕著な性能向上が達成された。