يمكن للطرق غير المراقبة لاكتشاف الشذوذ تحديد العيوب السطحية في الصور الصناعية من خلال الاستفادة فقط من العينات الطبيعية في التدريب. ومع ذلك، فإن خطر الانطباق الزائد عند التعلم من فئة واحدة دفع إلى تقديم استراتيجيات توليد الشذوذ لتعزيز قدرة الاكتشاف من خلال إنشاء شذوذ اصطناعي. ومع ذلك، تعتمد الاستراتيجيات الحالية بشكل كبير على النسيج الشاذ من مجموعات بيانات مساعدة. بالإضافة إلى ذلك، قد تؤدي حدودها الضيقة واتجاهاتها المحدودة في توليد الشذوذ إلى فشل في التقاط المعلومات المفيدة وتسبب في تكرار كبير. لحل هذه المشكلات، نقترح استراتيجية جديدة لتوليد الشذوذ بمساعدة الحدود التدريجية (PBAS)، والتي يمكنها توليد شذوذ حاسم على مستوى الخصائص دون الحاجة إلى نسيج مساعد. تتكون هذه الاستراتيجية من ثلاثة مكونات رئيسية: تعلم الحدود التقريبي (ABL)، وتوليد الخصائص الشاذة (AFS)، وتحسين الحدود الدقيق (RBO). لجعل توزيع العينات الطبيعية أكثر كثافة، يقوم ABL أولاً بتعلم حد قرار تقريبي عن طريق القيود المركزية، مما يحسن التهيئة الأولية للمركز من خلال تنظيم الخصائص. ثم يقوم AFS بتوليد الشذوذ بطريقة اتجاهية بمقياس أكثر مرونة تحت إرشاد توزيع الكرة الفراغية للخصائص الطبيعية. نظرًا لأن الحد قد يكون ضعيفًا للغاية بحيث يحتوي على شذوذ حقيقية، يقوم RBO بتحسين حد القرار من خلال تصنيف ثنائي للشذوذ الاصطناعية والخصائص الطبيعية. أظهرت النتائج التجريبية أن طرقنا حققت أفضل الأداء وأسرع سرعة اكتشاف على ثلاث مجموعات بيانات صناعية مستخدمة على نطاق واسع، وهي MVTec AD وVisA وMPDD. سيكون الكود متاحًا على الرابط التالي: https://github.com/cqylunlun/PBAS.