مشاكل عدم التوازن في كشف الكائنات تمثل واحدة من المشكلات الأساسية التي تؤثر بشكل كبير على الأداء. يركّز هذا العمل على معالجة مشكلة عدم التوازن الناتجة عن كشف العيوب في عمليات الفحص الصناعي، بما في ذلك الفرق في عدد العينات الخاصة بالعيوب مقابل العينات الخالية من العيوب، والفجوة في التوزيع بين فئات العيوب المختلفة، وتنوع أحجام العيوب. ولتحقيق ذلك، نعتمد منهجية كشف الشذوذ (anomaly detection) التي تهدف إلى التعرف على الأنماط غير العادية لمعالجة هذه التحديات. وخصوصًا، أظهرت النماذج القائمة على الشبكات التوليدية المتنافسة (GAN) والمناهج القائمة على التشفير التلقائي (autoencoder) فعالية كبيرة في هذا المجال. في هذا البحث، 1) نقترح نموذجًا جديدًا للكشف عن الشذوذ يستند إلى GAN، يتكون من مُولّد يعتمد على التشفير التلقائي، ومحرّكين منفصلين لكل من المدخلات الطبيعية والشاذة؛ و2) نستكشف أيضًا طريقة فعالة لتحسين النموذج من خلال اقتراح دوال خسارة جديدة: دالة الخسارة الجزئية (Patch loss) ودالة الخسارة المتنافسة للشذوذ (Anomaly adversarial loss)، ثم ندمجها معًا لتدريب النموذج بشكل مشترك. في تجاربنا، قمنا بتقييم النموذج على مجموعات بيانات معيارية شائعة مثل MNIST وFashion MNIST وCIFAR 10/100، بالإضافة إلى مجموعة بيانات واقعية صناعية تتعلق بعيوب أغلفة الهواتف الذكية. وأخيرًا، أظهرت النتائج التجريبية فعالية نهجنا، حيث تفوقت نتائجنا على أحدث الطرق المتطورة (State-of-the-Art) من حيث متوسط المساحة تحت منحنى ROC (AUROC).