複雑な正常パターンにおける多様なサイズの異常を検出するためのターゲティングを実現するため、本研究では、異常なし特徴の復元を目的として、ボトルネック圧縮とテンプレート誘導型補正という2つのキーテクノロジーを導入した「テンプレート誘導型階層的特徴復元法（Template-guided Hierarchical Feature Restoration）」を提案する。本フレームワークは、画像の階層的特徴をボトルネック構造により圧縮することで、正常サンプル間で共有される最も重要な特徴を保持する。さらに、歪みを生じた特徴を異常なし特徴へと復元するため、テンプレート誘導型補正を設計した。具体的には、最も類似した正常サンプルをテンプレートとして選定し、そのテンプレートから得られる階層的特徴を用いて、歪み特徴を補正する。ボトルネック構造により異常特徴の一部がフィルタリングされる一方で、補正プロセスは残存する異常特徴をテンプレートのガイドに従って正常な特徴へと変換する。最終的に、推論画像の事前学習済み特徴と、対応する復元された異常なし特徴との間のコサイン距離に基づいて異常を検出する。実験結果により、本手法の有効性が実証され、MVTec LOCO ADデータセットにおいて、最先端の性能を達成した。