بسبب عدم إمكانية استخدام العينات غير الطبيعية في التدريب، تستخدم العديد من طرق الكشف عن الشذوذ والتحديد تراكيب مُدرّبة مسبقًا والنمذجة غير المعلمية لتقدير توزيع الميزات المشفرة. ومع ذلك، تتجاهل هذه الطرق تأثير المعلومات المكانية والمحيطة على توزيع الميزات الطبيعية. وللتغلب على هذه المشكلة، نقترح خوارزمية جديدة تُسمى \textbf{PNI}، التي تقدّر التوزيع الطبيعي باستخدام الاحتمال الشرطي بناءً على ميزات الجيران، حيث يتم نمذجة هذه العلاقة باستخدام شبكة متعددة الطبقات (MLP). علاوةً على ذلك، يتم استغلال معلومات الموقع من خلال إنشاء مدرج تكراري (Histogram) للميزات الممثلة في كل موقع. بدلًا من تغيير حجم خريطة الشذوذ بشكل بسيط، تستخدم الطريقة المقترحة شبكة تحسين إضافية تم تدريبها على صور شذوذ اصطناعية، بهدف تحسين عملية الاستيفاء ومراعاة شكل الحافة والشكل العام للصورة المدخلة. أجرينا تجارب على مجموعة بيانات MVTec AD القياسية، وحققنا أداءً متميزًا على مستوى الحد الأقصى، مع تحقيق درجات AUROC قدرها \textbf{99.56%} و\textbf{98.98%} في الكشف عن الشذوذ والتحديد على التوالي.