تهدف الكشف عن الشذوذ البصري إلى تصنيف مناطق الصورة التي تختلف عن المظهر الطبيعي وتحديد مواقعها. هناك طريقتان رئيسيتان لتحقيق هذه المهمة: الطرق القائمة على التضمين (Embedding-based methods) والطرق القائمة على إعادة البناء (Reconstruction-based methods). ومع ذلك، فإن كلا الطريقتين تعانيان من عيوب في الكفاءة أو الدقة عند تطبيقهما في البيئات الصناعية. لمعالجة هذه المشكلة، نُقدِّم POUTA (Produce Once Utilize Twice for Anomaly detection)، وهي طريقة تُحسِّن الدقة والكفاءة معًا من خلال إعادة استخدام المعلومات التمييزية المحتملة في الشبكة المُعاد بناؤها. لاحظنا أن تمثيلات المشفر (encoder) وفك التشفير (decoder) في الشبكة المُعاد بناؤها قادرة على تمثيل خصائص الصورة الأصلية والصورة المعاد بناؤها على التوالي. كما أن الفروقات بين التمثيلات المتماثلة في إعادة البناء توفر معلومات شذوذ تقريبية دقيقة. ولتحسين هذه المعلومات، نقترح في POUTA عملية من التفصيل الخشن إلى الدقيق (coarse-to-fine)، والتي تُعدِّل دلالات كل طبقة تمييزية من خلال التمثيلات عالية المستوى ووظيفة الخسارة الإشرافية. وبفضل هذه الوحدات، تُزوَّد POUTA بقدرة على تحديد مواقع الشذوذ بدقة أعلى مقارنة بالطرق السابقة. علاوةً على ذلك، فإن إعادة استخدام التمثيلات تسمح بإزالة عملية استخلاص الميزات في الشبكة التمييزية، مما يقلل من عدد المعاملات ويعزز الكفاءة. أظهرت التجارب الواسعة أن POUTA تتفوّق على الطرق السابقة أو تُوازيها، مع تكلفة أقل. كما حققت POUTA أداءً أفضل من أحدث الطرق القائمة على الكشف عن الشذوذ بعينات قليلة (few-shot anomaly detection) دون الحاجة إلى تصميمات خاصة، ما يدل على قدرتها القوية على استخلاص التمثيلات المتأصلة في بيانات التدريب.