我们致力于基于图像的新颖性检测（image-based novelty detection）。尽管已有显著进展，现有模型在所谓的“近分布”（near-distribution）设定下表现不佳，甚至出现性能大幅下降的现象——此时正常样本与异常样本之间的差异极为细微。我们首先揭示，现有方法在近分布设置下性能最高可下降20%。随后，我们提出利用基于分数的生成模型（score-based generative model）生成合成的近分布异常数据。在此基础上，对模型进行微调，使其能够有效区分此类合成异常样本与正常样本。我们通过定量与定性相结合的方式评估该策略，并将其与多种基于生成对抗网络（GAN）的模型进行了对比。在医学图像、物体分类及质量控制等多个不同应用场景的广泛数据集上开展的大量实验表明，所提方法在近分布新颖性检测与标准新颖性检测任务中均表现出显著优越性，且能持续缩小近分布与标准设定下检测性能之间的差距。相关代码已公开，可访问 https://github.com/rohban-lab/FITYMI。