分布外検出の鍵は、分布内データまたはその特徴表現の密度推定にあり、特に分布内データに複雑な構造を持つ領域における密な異常検出においては、この課題は顕著に困難である。最近傍法（Nearest-Neighbors）アプローチは、工業用検査や画像分類といったオブジェクト中心のデータドメインでは良好な性能を発揮することが示されている。本論文では、適切な特徴表現を用いることで、複雑なドライビングシーンにおける密な新奇性検出においても、最近傍法アプローチが最先端の結果を達成できることを示す。特に、トランスフォーマーに基づくアーキテクチャが、本タスクに適した優れた類似度指標を生成する特徴表現を生み出すことを見出した。この現象の理由の一つとして、これらのモデルのマルチヘッド構造を特定し、その利点の一部をCNNに転移する手法を提示した。最終的に、本手法はシンプルかつ非侵襲的であり、主なセグメンテーション性能に影響を与えず、異常例の学習を必要とせず、RoadAnomaly、StreetHazards、SegmentMeIfYouCan-Anomalyの各ベンチマークにおいて最先端の性能を達成している。