التعلم الآلي القياسي غير قادر على التعامل مع المدخلات التي لا تنتمي إلى توزيع التدريب. غالبًا ما تؤدي النماذج الناتجة إلى تنبؤات متفائلة خاطئة، وقد تؤدي إلى عواقب مدمرة. ويُعد هذا المشكل أكثر إلحاحًا في سياق التنبؤ الكثيف، نظرًا لأن الصور المدخلة قد تكون فقط جزئيًا غير طبيعية. وقد تناولت الدراسات السابقة كشف التوزيع الخارجي في التنبؤ الكثيف من خلال التدريب التمييزي باستخدام مجموعات بيانات سلبية جاهزة. لكن البيانات السلبية الحقيقية نادراً ما تغطي جميع الأنماط الممكنة للعالم البصري بأكمله. ولحل هذه المشكلة، نوسع هذا النهج من خلال إنشاء لوحات سلبية اصطناعية على طول حدود المانيفولد الطبيعي. ونستفيد من تدريب تدفقات تطبيعية مجمعة، وذلك بفضل هدف التعلم القائم على التغطية وقدرتها على إنتاج عينات بدرجات مختلفة من الدقة. ونقوم بالكشف عن الشذوذ وفق معيار مبني على نظرية المعلومات، يمكن تطبيقه بشكل متسق خلال مراحل التدريب والاستنتاج. وتمكّن النماذج الناتجة من تحقيق أفضل أداء مُسجل حتى الآن على معايير كشف التوزيع الخارجي في مشاهد القيادة على الطرق والصور المستخدمة في الاستشعار عن بعد، مع حمل حسابي ضئيل جدًا.