教師なし異常検出および局所化は、十分な異常データの収集とラベル付けが困難な状況下において、実用応用において極めて重要である。既存の多数の表現ベース手法は、深層畳み込みニューラルネットワークを用いて正常画像の特徴を抽出し、非パラメトリックな分布推定法によりその対応する分布を特徴づける。異常スコアは、テスト画像の特徴と推定された分布との間の距離を測定することで計算される。しかし、現在の手法は、画像特徴を扱いやすい基底分布に効果的に写像できず、異常の検出に重要な局所的特徴とグローバル特徴の関係を無視しているという課題を抱えている。こうした問題に対処するため、本研究では2次元正規化フロー（2D normalizing flows）を実装したFastFlowを提案し、確率分布推定器として用いる。FastFlowは、ResNetやビジョントランスフォーマーなど任意の深層特徴抽出器と組み合わせて、プラグインモジュールとして利用可能である。学習フェーズでは、FastFlowは入力視覚特徴を扱いやすい分布に変換する学習を行い、推論フェーズではその尤度を用いて異常を識別する。MVTec ADデータセットにおける広範な実験結果から、異なるバックボーンネットワークを用いても、FastFlowは従来の最先端手法に比べて精度および推論効率において優れた性能を発揮することが示された。本手法は、異常検出において99.4％のAUCを達成しつつ、高い推論効率を実現した。