تطوير نماذج التعلم الآلي القادرة على اكتشاف وتحديد مواقع الهياكل غير المتوقعة أو الشاذة داخل الصور يُعد أمرًا بالغ الأهمية لعدد كبير من مهام الرؤية الحاسوبية، مثل فحص العيوب في المنتجات المصنعة. ومع ذلك، فإن هذا التحدي يصبح صعبًا جدًا خاصة عندما تكون هناك عينات صور شاذة قليلة أو حتى غير موجودة على الإطلاق. في هذه الورقة، نقترح آلية غير مراقبة تُسمى "التطابق العميق للسمات" (Deep Feature Correspondence - DFC)، التي يمكن استخدامها بكفاءة للكشف عن الشذوذ وتقسيمه في الصور باستخدام المعرفة المسبقة المستمدة فقط من عينات خالية من الشذوذ. تم تطوير نموذج DFC ضمن إطار شبكي مزدوج غير متماثل يتكون من شبكة استخراج سمات عامة وشبكة مُعدّة بدقة لتقدير السمات، حيث يتم اكتشاف الشذوذ المحتمل داخل الصور من خلال نمذجة وتقييم التطابق العميق للسمات المرتبطة بين فرعين الشبكة المزدوجة. بالإضافة إلى ذلك، لتعزيز مرونة نموذج DFC وتحسين أداء الكشف بشكل أكبر، قمنا بتطوير استراتيجية مخصصة تُسمى "تعزيز السمات الذاتية" (Self-Feature Enhancement - SFE) ووحدة شبكة تُعرف بـ "التعلم المتعدد السياقات المتبقي" (Multi-Context Residual Learning - MCRL). أُجريت تجارب واسعة النطاق للتحقق من فعالية نموذج DFC، بالإضافة إلى الاستراتيجيات المقترحة SFE وMCRL. أظهرت النتائج أن النهج المُقترح فعّال جدًا في اكتشاف وتقسيم الشذوذ التي تظهر في مناطق محلية محدودة داخل الصور، خاصة الشذوذ الصناعية. كما ساهم هذا النهج في تطوير الأداء المُتقدم في مجموعة البيانات القياسية MVTec AD. علاوة على ذلك، عند تطبيقه في سيناريو حقيقي للفحص الصناعي، تفوق على النماذج المقارنة بشكل كبير.