نُقدِّم إطارًا قويًا يعتمد على التعلم المُدرَّس-المُتعلِّم لحل المشكلة الصعبة للكشف غير المُعلَّم عن الشذوذ وتقسيم الشذوذ بدقة بيكسلية في الصور عالية الدقة. يتم تدريب الشبكات المُتعلِّمة (الطلاب) على إعادة توليد مخرجات شبكة مُدرَّسة وصفية (المُدرِّس) التي تم تدريبها مسبقًا على مجموعة بيانات كبيرة من القطع المستمدة من الصور الطبيعية. وهذا يُجنب الحاجة إلى تسمية البيانات مسبقًا. يتم اكتشاف الشذوذ عندما تختلف مخرجات الشبكات المُتعلِّمة عن مخرجات شبكة المُدرِّس، وهو ما يحدث عندما لا تتمكن من التعميم خارج النطاق (manifold) للبيانات التدريبية الخالية من الشذوذ. وتُستخدم عدم اليقين الداخلي في الشبكات المُتعلِّمة كدالة تقييم إضافية تشير إلى وجود شذوذ. ونُقارن طريقةً جديدة بعدد كبير من الطرق القائمة على التعلم العميق للكشف غير المُعلَّم عن الشذوذ. وتُظهر تجاربنا تحسينات ملحوظة مقارنة بالطرق الرائدة في مجالها على عدد من مجموعات البيانات الواقعية، بما في ذلك مجموعة بيانات MVTec للكشف عن الشذوذ التي تم إدخالها حديثًا وصممت خصيصًا لتقييم خوارزميات تقسيم الشذوذ.