Out-of-Distribution (OOD) 検出は、画像分類器を安全性が重要な環境に展開するために重要ですが、既存の検出器はOODサンプルが同じ意味的クラスに似ている場合に苦労しています。本論文では、ID（In-Distribution）データからのみブートストラップする完全自己教師ありのOOD検出フレームワーク「BootOOD」を提案します。BootOODは、ID表現の単純な変換を通じて擬似OOD特徴を合成し、ID特徴がクラスの中心周りに密集するニューラルコラプス（NC）を利用します。従来のアプローチと異なり、BootOODは特徴のノルムに基づく半径分類を行う軽量な補助ヘッドを導入し、OOD検出を主要な分類器から切り離します。この設計により、IDおよびOODが意味的に近い場合でも、OODサンプルがID特徴よりも小さい特徴ノルムを持つように学習されます。CIFAR-10、CIFAR-100、ImageNet-200での実験において、BootOODは従来の事後手法よりも優れ、異常露出を伴わないトレーニングベースの手法を上回り、最先端の異常露出アプローチと競争力を持ちながらID精度を維持または向上させることが示されました。