يُعدّ كشف الأخطاء الإنتاجية أمرًا بالغ الأهمية في عمليات التصنيع لضمان جودة المنتجات ومتطلبات السلامة. وبما أن العديد من العيوب تحدث بشكل نادر جدًا، وخصائصها غير معروفة مسبقًا، فإن كشفها لا يزال يمثل سؤالًا بحثيًا مفتوحًا. وللإجابة على هذا التحدي، نقترح نموذج DifferNet: حيث يعتمد على قدرة الميزات المستخلصة بواسطة الشبكات العصبية التلافيفية (Convolutional Neural Networks) على التوصيف الدقيق لتقدير كثافتها باستخدام تقنيات التدفق الطبيعي (Normalizing Flows). تُعدّ التدفقات الطبيعية مناسبة جدًا لمعالجة توزيعات البيانات ذات الأبعاد المنخفضة، لكنها تواجه صعوبات في التعامل مع البُعد العالي للصور. ولذلك، نستخدم مُستخرجًا متعدد المقياس (multi-scale feature extractor) يمكّن التدفق الطبيعي من تعيين احتمالات ذات معنى للصور. بناءً على هذه الاحتمالات، نطور دالة تقييم تشير إلى وجود عيوب. علاوة على ذلك، يتيح التمرير العكسي للقيمة إلى الصورة تحديدًا دقيقًا على مستوى البكسل. ولتحقيق مقاومة عالية والأداء المثالي، نستفيد من عدة تحولات أثناء التدريب والتحقق. وعلى عكس معظم الطرق الأخرى، لا يتطلب نهجنا عددًا كبيرًا من عينات التدريب، ويُظهر أداءً متميزًا حتى مع 16 صورة فقط. ونُظهر تفوق الأداء على الطرق الحالية في مجموعتي بيانات صعبة وحديثة الطرح: MVTec AD وMagnetic Tile Defects.