従来の畳み込みニューラルネットワーク（CNN）を用いた異常検出およびセグメンテーション手法は、ノイズに対して過敏すぎる、あるいは敏感さが不足する傾向があり、テスト段階で異常パターンが部分的にしか検出されない場合がある。また、従来の手法は正常画像と異常画像を区別することは可能だが、テスト画像における異常の位置を高精度で特定することはできない。この問題に対処するために、本研究では粗いから細かい段階へと異常セグメンテーションおよび検出を行う二段階型CNNモデル、TASAD（Two-stage Anomaly Segmentation and Detection）を提案する。TASADの両段階において、正常サンプルと異常サンプルの混合データセットを用いてモデルを学習する。異常画像は、異常源画像から自動的に生成された擬似異常パターンを挿入することで得られる。本研究では、多様な異常サンプルを生成可能な新規かつ高度な異常挿入技術を採用している。第一段階では、全体画像を入力として受け取る粗い異常セグメンテーション（Coarse Anomaly Segmentation: CAS）モデルを設計し、第二段階では画像パッチを入力として細かい異常セグメンテーション（Fine Anomaly Segmentation: FAS）モデルを学習する。FASモデルは、CASモデルによって部分的に検出された異常パターンを精緻化することで、検出およびセグメンテーション性能を向上させる。本フレームワークはMVTecデータセット上で学習・評価され、最先端（SOTA）手法と比較した結果、提案アーキテクチャはSOTA手法よりも4倍も小型なモデルサイズを実現しつつ、画素単位の精度において優れた性能を示した。さらに、TASADは既存のSOTA手法に組み込むことで、その異常検出性能をさらに向上させることができる。実験結果から、最新のSOTA手法にTASADを適用した場合、平均精度（AP）が従来手法よりも平均6.2%向上することが確認された。結果の再現性を確保するため、コードはhttps://github.com/RizwanAliQau/tasad.gitにて公開している。