该研究提出了一种名为“Envision potential Outlier Exposure”（EOE）的方法，通过利用大型语言模型的专业知识和推理能力，在没有真实OOD数据的情况下，通过视觉相似性生成潜在异常类标签，并设计有效的分数函数来区分困难的OOD样本，从而在不同OOD任务上实现最先进的性能，并能扩展到ImageNet-1K数据集。

该文提出了一种新的方法来估计随机变量之间的互信息，基于分数函数的扩散模型来估计两个密度之间的 Kullback Leibler 散度，并衍生出估计随机变量熵的方法。该方法比文献中的主要替代方法更准确，并通过自洽性测试。