Este artículo propone un nuevo método para la detección no supervisada de anomalías (DAA). Este método se basa en el aprendizaje de prototipos e introduce una métrica innovadora que equilibra los costos basados en características y espaciales. Aprovechando esta métrica, aprendemos prototipos locales y globales mediante transporte óptimo a partir de representaciones latentes extraídas por un codificador de imágenes preentrenado. Demostramos que las restricciones estructurales aplicadas durante el aprendizaje de prototipos nos permiten capturar la estructura subyacente de muestras normales, lo que permite una detección más eficaz de anomalías en imágenes. Logramos un rendimiento comparable al de modelos de referencia robustos en dos pruebas de referencia para la detección industrial de anomalías en imágenes.
