يُستخدم كشف وتحديد الشذوذ على نطاق واسع في التصنيع الصناعي بفضل كفاءته وفعاليته. وتشكل الشذوذات نادرًا وصعبة التجميع، مما يؤدي إلى تعلُّم النماذج المُراقبة التي تُفرَض على هذه الشذوذات المرئية بعينات شاذة قليلة، ما ينتج عنه أداءً غير راضٍ. من ناحية أخرى، تكون الشذوذات عادةً خفية، وصعبة التمييز، وتتنوع في المظهر، ما يجعل كشف الشذوذات وتحديد مناطقها الشاذة أمرًا صعبًا للغاية. ولحل هذه المشكلات، نقترح إطارًا يُسمى الشبكة المُعادلة النموذجية (PRN)، التي تتعلم الفروقات في الميزات بمقاييس وأحجام مختلفة بين الأنماط الشاذة والأنماط الطبيعية، بهدف إعادة بناء خرائط التجزئة للمناطق الشاذة بدقة. يتكوّن PRN بشكل رئيسي من جزأين: نماذج متعددة المقاييس تمثل بشكل صريح الميزات المُعادلة للشذوذات بالنسبة للأنماط الطبيعية؛ وآلية انتباه ذاتي متعددة الأحجام تُمكّن من تعلُّم الميزات الشاذة ذات الأحجام المتغيرة. بالإضافة إلى ذلك، نقدّم مجموعة من استراتيجيات توليد الشذوذات التي تأخذ بعين الاعتبار التباينات المرئية المعروفة وغير المعروفة، بهدف توسيع وتنويع الشذوذات. تُظهر التجارب الواسعة على معيار MVTec AD الشهير والصعب التحدي أن PRN يتفوّق على أحدث الطرق المُراقبة وغير المُراقبة. كما نُقدّم نتائج مُتفوّقة على مستوى الصدارة (SOTA) على ثلاث مجموعات بيانات إضافية، مما يُظهر فعالية وقابلية تعميم PRN.