تم استكشاف نماذج الكشف عن الشذوذ المستندة إلى إعادة بناء الصور على نطاق واسع في عمليات الفحص البصري الصناعي. ومع ذلك، فإن النماذج الحالية تعاني غالبًا من تناقض بين دقة إعادة بناء الأنماط الطبيعية وتمييز إعادة بناء الشذوذ، مما يضر بالأداء العام. في هذه الورقة، نكتشف أن هذا التناقض يمكن تخفيفه بشكل أفضل من خلال الاستفادة من التحيّزات الترددية المميزة بين أخطاء إعادة البناء للأنماط الطبيعية والشاذة. ولتحقيق ذلك، نقترح "إعادة الترميم المدرك للتكرار" (FAIR)، وهي مهمة جديدة لإعادة الترميم ذاتية التدريب، تقوم بإعادة بناء الصور من مكوناتها عالية التردد. تتيح هذه الطريقة إعادة بناء دقيق للأنماط الطبيعية مع تقليل التعميم غير المرغوب فيه للشذوذ. وباستخدام شبكة UNet بسيطة فقط، تحقق FAIR أداءً متميزًا على مستوى الحد الأقصى (SOTA) مع كفاءة أعلى على مجموعة متنوعة من مجموعات بيانات كشف العيوب. الكود: https://github.com/liutongkun/FAIR.