异常检测旨在识别新颖性样本，即偏离正常分布的数据点。这一任务被发现具有相当大的挑战性，尤其是在正常数据分布包含多个语义类别（例如，多种物体类别）的情况下。为了克服这一挑战，现有的方法通常需要在训练过程中手动标注正常图像的类别标签。在本研究中，我们提出了一种无需类别标签的多类别异常检测方法。我们的解决方案虽然简单但非常有效，分为两个阶段：首先，我们通过无监督聚类发现“伪类别”标签；然后，利用这些伪类别标签，我们可以应用标准的监督异常检测方法。我们通过与现有最先进方法的有利对比验证了该方法的性能，并提供了详尽的分析和消融实验。