اكتشاف العيوب الصناعية يتم التعامل معه عادةً باستخدام طرق اكتشاف الشذوذ (AD) في حالات عدم توفر بيانات عن العيوب المحتملة أو توفرها بشكل غير كامل. يكتشف هذا العمل مشاكل جديدة لم تُعرف سابقًا في نهج الطالب-المعلم لـ AD ويقترح حلًا، حيث يتم تدريب شبكتين عصبيتين لإنتاج نفس النتيجة لل أمثلة التدريب الخالية من العيوب. الافتراض الأساسي لشبكات الطالب-المعلم هو أن المسافة بين مخرجات الشبكتين تكون أكبر للشواذ لأن هذه الشواذ غائبة أثناء التدريب. ومع ذلك، تعاني الطرق السابقة من تشابه هندسة الطالب والمعلم، مما يجعل المسافة صغيرة بشكل غير مرغوب للشواذ. ولذلك، نقترح شبكات طالب-معلم غير متناظرة (AST). نقوم بتدريب جريان طبيعي (normalizing flow) للمعلّم لتقدير الكثافة وشبكة تغذية أمامية تقليدية (conventional feed-forward network) كطالب لإحداث مسافات كبيرة للشواذ: يفرض التقابل الذاتي (bijectivity) لجريان الطبيعي انحرافًا في مخرجات المعلّم للشواذ مقارنة بالبيانات الطبيعية. خارج توزيع التدريب، لا يمكن للطالب تقليد هذا الانحراف بسبب اختلاف هندسته الأساسية. تعوض شبكتنا AST عن تقديرات الاحتمال الخاطئة التي أجريت بواسطة جريان طبيعي، والتي استخدمت بدلاً منها في اكتشاف الشواذ في الأعمال السابقة. نظهر أن طريقتنا تنتج نتائجًا رائدة على مستوى الحالة الفنية (state-of-the-art) على كل من مجموعتي البيانات الأكثر أهمية حاليًا للكشف عن العيوب MVTec AD و MVTec 3D-AD فيما يتعلق باكتشاف الشذوذ على مستوى الصورة للبيانات RGB والبيانات ثلاثية الأبعاد.