我々は画像ベースの新奇性検出（image-based novelty detection）を目的としている。これまでの研究で著しい進展が見られつつも、従来のモデルは「近傍分布（near-distribution）」と呼ばれる設定下では、正常サンプルと異常サンプルの差が微細な状況において、性能が著しく低下するか、まったく機能しなくなる傾向がある。まず、既存手法がこの近傍分布設定下で最大20%の性能低下を示すことを実証する。次に、スコアベースの生成モデル（score-based generative model）を活用して、近傍分布に属する異常データを合成する手法を提案する。その後、この合成データと正常サンプルを区別できるように、モデルをファインチューニングする。本戦略の有効性を定量的および定性的な評価を通じて検証し、多数のGANベースのモデルと比較する。医療画像、物体分類、品質管理といった多様な応用分野に適用されたデータセットを用いた広範な実験により、本手法が近傍分布設定および従来の新奇性検出の両面で有効であることが確認された。特に、従来のモデルに比べて顕著な性能向上が得られ、近傍分布設定と標準設定の間の性能ギャップを一貫して縮小することが明らかになった。本研究のコードリポジトリは、https://github.com/rohban-lab/FITYMI にて公開されている。