تهدف الكشف عن الشذوذ إلى تحديد البيانات غير الطبيعية التي تختلف عن البيانات العادية، وغالبًا ما يتطلب ذلك كمية كافية من البيانات الطبيعية لتدريب النموذج على أداء هذه المهمة. وعلى الرغم من النجاح الذي حققته الطرق الحديثة للكشف عن الشذوذ، فإن إجراء الكشف عن الشذوذ في مجال غير مرئى يظل مهمة صعبة. في هذه الورقة، نتناول مهمة الكشف العام عن الشذوذ في الأسطح المزخرفة. من خلال مراقبة بيانات السطح الطبيعية والغير طبيعية عبر عدة مجالات مصدرية، يُتوقع أن يتمكن نموذجنا من التعميم إلى سطح مزخرف غير مرئى، حيث يمكن ملاحظة عدد قليل جدًا من البيانات الطبيعية فقط أثناء الاختبار. وعلى الرغم من أن التدريب يتم فقط باستخدام تسميات على مستوى الصورة (image-level labels)، فإن نموذجنا القائم على التعلم الميتا (meta-learning) القائم على القطع (patch-based) يُظهر قدرة تعميم واعدة: إذ لا يمكنه فقط التعميم إلى مجالات صور غير مرئية، بل يمكنه أيضًا تحديد مناطق الشذوذ في الصورة المستفسَر عنها (query image). تؤكد التجارب أن نموذجنا يتفوق على أحدث الطرق في الكشف عن الشذوذ والتمييز بين المجالات في مختلف الإعدادات.