على الرغم من النتائج المبهرة التي تحققها الطرق الحالية detec­tion للتشوهات في الصور، فإنها تعتمد في الغالب على نموذج التعلم غير المباشر (offline learning) الذي يتطلب جمع بيانات مسبقة بشكل مفرط، مما يحد من قابليتها للتكيف في السياقات الصناعية التي تعتمد على تدفقات بيانات مباشرة (online streaming data). أما الطرق القائمة على التعلم المباشر (online learning) للكشف عن التشوهات في الصور، فهي أكثر توافقًا مع البيانات التدفقية المباشرة في البيئات الصناعية، لكنها نادرة الانتباه. ولأول مرة، تقدم هذه الورقة طريقة للكشف عن التشوهات في الصور تعتمد على التعلم الكامل المباشر، تُعرف باسم LeMO (Learning Memory for Online image anomaly detection). تعتمد LeMO على ذاكرة قابلة للتعلم تم تهيئتها باستخدام ضوضاء عشوائية متعامدة، مما يُلغِي الحاجة إلى كميات كبيرة من البيانات في مرحلة تهيئة الذاكرة، ويتجنب كفاءة جمع البيانات غير المباشرة. علاوة على ذلك، تم تصميم دالة خسارة تعتمد على التعلم التمييزي (contrastive learning) للكشف عن التشوهات، مما يمكّن من التحسين المشترك المباشر للذاكرة والسمات الموجهة نحو الصور. تُعد الطريقة المقدمة بسيطة وفعالة للغاية. وتشير التجارب الواسعة إلى الأداء المتفوق لـ LeMO في البيئة المباشرة. وبالإضافة إلى ذلك، تُظهر LeMO أداءً تنافسيًا ممتازًا حتى في البيئة غير المباشرة، وتُحقق نتائج متميزة في السيناريوهات القائمة على عدد قليل من الأمثلة (few-shot scenarios).