نهدف إلى بناء نموذج عالي الأداء للكشف عن العيوب، قادر على اكتشاف أنماط شاذة غير معروفة في الصورة دون الحاجة إلى بيانات شاذة. ولتحقيق ذلك، نقترح إطارًا ثنائي المراحل لبناء كاشفات الشذوذ باستخدام بيانات تدريب عادية فقط. نبدأ أولاً بتعلم تمثيلات عميقة ذاتية التدريب، ثم نبني فئة تصنف واحدة توليدية على التمثيلات المُكتسبة. ونقوم بتعلم التمثيلات من خلال تصنيف البيانات العادية باستخدام تقنية التكبير البسيطة المعروفة بـ CutPaste، والتي تقوم بقص قطعة من الصورة ثم لصقها في موقع عشوائي ضمن صورة أكبر. تُظهر دراستنا التجريبية على مجموعة بيانات الكشف عن الشذوذ MVTec أن الخوارزمية المقترحة عامة بدرجة كافية للكشف عن أنواع متعددة من العيوب الواقعية. ونحقق تحسنًا مقارنة بالأساليب السابقة بـ 3.1 وحدة AUC عند تعلم التمثيلات من الصفر. وباستخدام التعلم الناقل (transfer learning) على تمثيلات مُدرّبة مسبقًا على ImageNet، نحقق أداءً جديدًا على مستوى الحد الأقصى في الأداء (state-of-the-art) بقيمة 96.6 وحدة AUC. وأخيرًا، نوسع الإطار لتمكين تعلم واستخراج التمثيلات من القطع الصغيرة (patches)، مما يسمح بتقنية تحديد مواقع المناطق الشاذة دون الحاجة إلى تسميات (ANNOTATIONS) أثناء التدريب.