نهدف إلى اكتشاف التفرد القائم على الصور. وعلى الرغم من التقدم الكبير المحرز، فإن النماذج الحالية إما تفشل أو تواجه انخفاضًا حادًا في الأداء في البيئة المعروفة بـ"الاقتراب من التوزيع" (near-distribution)، حيث تكون الفروق بين العينات الطبيعية والشاذة خفية جدًا. نُظهر أولًا أن النماذج الحالية تشهد انخفاضًا يصل إلى 20% في الأداء في بيئة الاقتراب من التوزيع. ثم نقترح استغلال نموذج توليدي مبني على الدرجات (score-based generative model) لإنتاج بيانات شاذة اصطناعية تقع ضمن بيئة الاقتراب من التوزيع. وبعد ذلك، يتم تحسين نموذجنا دقيقًا (fine-tune) لتمييز هذه البيانات عن العينات الطبيعية. نقدم تقييمًا كميًا ونوعيًا لهذا الاستراتيجية، ونقارن النتائج مع مجموعة متنوعة من النماذج القائمة على GAN. ونُقيّم فعالية طريقة عملنا في كلا الحالتين: اكتشاف التفرد القياسي واكتشاف التفرد في بيئة الاقتراب من التوزيع، من خلال تجارب واسعة على مجموعات بيانات متعددة تُستخدم في تطبيقات مختلفة مثل الصور الطبية، تصنيف الكائنات، والرقابة على الجودة. تُظهر النتائج أن طريقة عملنا تتفوق بشكل ملحوظ على النماذج الحالية، وتمكّن من تقليل الفجوة بشكل ثابت بين أداء اكتشاف التفرد في بيئة الاقتراب من التوزيع وأداء الاكتشاف القياسي. يمكن الوصول إلى مستودع الشفرة عبر الرابط: https://github.com/rohban-lab/FITYMI.