تُستخدم كاشفات الشذوذ على نطاق واسع في التصنيع الصناعي للكشف عن العيوب غير المعروفة وتحديد موقعها في الصور الاستعلامية. يتم تدريب هذه الكاشفات على عينات خالية من الشذوذ، وقد نجحت في التمييز بين الشذوذ والعينات الطبيعية في معظم الحالات. ومع ذلك، فإن الأمثلة الطبيعية الصعبة (hard-normal examples) تكون متناثرة ومتفرقة بعيدًا عن معظم العينات الطبيعية، مما يجعلها غالبًا ما تُخطئ في التعرف عليها كشذوذ من قبل الطرق الحالية. ولحل هذه المشكلة، نقترح إطارًا فعّالًا يُسمى "التوافق المتبادل للقوالب المُتَّسِقة مع الأنظمة المُدرَّكة للأمثلة الطبيعية الصعبة" (HETMM)، والذي يهدف إلى بناء حدٍ قرار مبني على النماذج (prototype-based decision boundary) قوي. بشكل خاص، يستخدم HETMM تقنية التوافق المتبادل للقوالب المُتَّسِقة غير المتأثرة بالتحولات التآلفية (ATMM) المُقترحة، لتقليل التأثيرات الناتجة عن التحولات التآلفية والأمثلة الطبيعية السهلة. من خلال التوافق المتبادل بين النماذج على مستوى البكسل ضمن فضاءات البحث على مستوى البُقع بين الصورة الاستعلامية ومجموعة القوالب، يمكن لـ ATMM التمييز بدقة بين الأمثلة الطبيعية الصعبة والشذوذ، مما يحقق معدلات منخفضة جدًا من الكشف الخاطئ (false-positive) والكشف المُتَفَوِّت (missed-detection). بالإضافة إلى ذلك، نقترح أيضًا تقنية PTS (Prototype-based Template Selection) لضغط مجموعة القوالب الأصلية بهدف تسريع الأداء. حيث تُختار مراكز التجميع والأمثلة الطبيعية الصعبة في PTS لحفظ الحد القرار الأصلي، مما يسمح لمجموعة صغيرة جدًا بالحصول على أداء مماثل للمجموعة الأصلية. تُظهر التجارب الواسعة أن HETMM يتفوق على أحدث الطرق، بينما يمكن لمجموعة صغيرة مكوّنة من 60 ورقة (60-sheet) تحقيق أداء تنافسي مع سرعة استجابة في الوقت الفعلي تصل إلى حوالي 26.1 إطارًا في الثانية (FPS) على وحدة معالجة رسومات Quadro 8000 RTX. كما أن HETMM لا يتطلب تدريبًا (training-free)، ويمكن تحديثه فورًا (hot-updated) من خلال إدخال عينات جديدة مباشرة إلى مجموعة القوالب، ما يسمح بحل سريع لبعض مشكلات التعلم التدريجي (incremental learning) في البيئة الصناعية.