الكشف والتحديد غير المُشرفان عن الشذوذ يُعدان أمرًا بالغ الأهمية لتطبيق العمليات عندما يكون جمع ووضع العلامات على كميات كافية من البيانات الشاذة غير ممكن. تعتمد معظم الطرق القائمة على التمثيل الحالية على استخلاص ميزات الصور الطبيعية باستخدام شبكة عصبية متعددة الطبقات (CNN)، ثم تمثيل التوزيع المقابل باستخدام أساليب تقدير التوزيع غير المعلمي. ويُحسب مقياس الشذوذ عن طريق قياس المسافة بين ميزة الصورة المُختبرة والتوزيع المقدَّر. ومع ذلك، فإن الطرق الحالية لا تستطيع خريطة فعّالة لميزات الصور إلى توزيع أساسي قابل للتحكم، كما تتجاهل العلاقة بين الميزات المحلية والعالمية، وهي عوامل مهمة لتحديد الشذوذ. ولحل هذه المشكلة، نقترح "FastFlow"، والذي يُنفذ باستخدام تدفقات طبيعية ثنائية الأبعاد (2D Normalizing Flows)، ويُستخدم كمُقدِّر لتوزيع الاحتمالات. يمكن لـ FastFlow أن يعمل كوحدة قابلة للإدراج (plug-in module) مع أي مُستخرج ميزات عميق، مثل ResNet أو Vision Transformer، لغرض الكشف والتحديد غير المُشرفين عن الشذوذ. في مرحلة التدريب، يتعلم FastFlow تحويل الميزات البصرية المدخلة إلى توزيع قابل للتحكم، ويُحقِّق احتمالًا (likelihood) يُستخدم للكشف عن الشذوذ أثناء الاستدلال. أظهرت النتائج التجريبية الواسعة على مجموعة بيانات MVTec AD أن FastFlow يتفوّق على الطرق المُتقدمة السابقة من حيث الدقة وكفاءة الاستدلال، باستخدام مختلف الشبكات الأساسية (backbones). وتمكّن طريقة الاقتراح من تحقيق نسبة AUC تبلغ 99.4% في الكشف عن الشذوذ، مع كفاءة عالية في الاستدلال.