جوهر الكشف غير المراقب عن الشذوذ يتمثل في تعلّم التوزيع المكثف للعينات الطبيعية وكشف العناصر الشاذة باعتبارها شذوذًا أثناء الاختبار. وفي الوقت نفسه، تُعد الشذوذات في العالم الحقيقي عادةً خفية ودقيقة التفاصيل في الصور عالية الدقة، خاصة في التطبيقات الصناعية. وبهدف تحقيق ذلك، نقترح إطارًا جديدًا للكشف غير المراقب عن الشذوذ وتحديد موضعه. يهدف منهجنا إلى تعلّم توزيع كثيف ومكثف من الصور الطبيعية من خلال عملية محاذاة من الخشنة إلى الدقيقة. حيث تقوم المرحلة الأولى من المحاذاة (الخشنة) بتوحيد الموضع الفرعي للعناصر على مستوى الصورة وعلى مستوى الميزات. ثم تُستخدم المرحلة الثانية (الدقيقة) لتعظيم التشابه بين الميزات بشكل كثيف بين جميع المواقع المقابلة داخل دفعة واحدة. ولتمكين التعلّم باستخدام صور طبيعية فقط، نُقدّم مهمة مسبقة جديدة تُسمى "التعلّم غير التبايني" (non-contrastive learning) للمرحلة الدقيقة من المحاذاة. يُستخرج من خلال هذا النموذج تمثيلات قوية وتمييزية للصور الطبيعية دون افتراضات حول العينات الشاذة، مما يمنح نموذجنا القدرة على التعميم على سيناريوهات شاذة متنوعة. وقد أظهرت التجارب الواسعة على مجموعتي بيانات صناعيتين شهيرتين، وهما MVTec AD وBenTech AD، أن إطارنا فعّال في اكتشاف أنواع مختلفة من العيوب الواقعية، ويحقق أداءً جديدًا يُعدّ الأفضل في مجال الكشف غير المراقب عن الشذوذ في البيئة الصناعية.