分布外检测的关键在于对分布内数据或其特征表示进行密度估计。在分布内数据具有复杂底层结构的领域中，这一任务尤其具有挑战性。最近邻方法在以物体为中心的数据域中表现优异，例如工业检测和图像分类任务。本文表明，当结合适当的特征表示时，最近邻方法在复杂驾驶场景中的密集型新奇检测任务中同样能够取得当前最优的性能。特别地，我们发现基于Transformer的架构所生成的特征表示，能为该任务提供更优的相似性度量。我们识别出这类模型的多头结构是其中一个重要原因，并提出了一种将部分优势迁移至卷积神经网络（CNN）的方法。最终，该方法具有简单且非侵入性的特点：既不影响主任务（分割）的性能，也无需在异常样本上进行训练，同时在RoadAnomaly、StreetHazards和SegmentMeIfYouCan-Anomaly三个基准数据集上均达到了当前最优水平。