Cet article propose une nouvelle méthode de détection d'anomalies non supervisée (UAD). Cette méthode repose sur l'apprentissage de prototypes et introduit une nouvelle métrique qui équilibre les coûts basés sur les caractéristiques et sur l'espace. Grâce à cette métrique, nous apprenons des prototypes locaux et globaux en utilisant le transport optimal à partir de représentations latentes extraites par un encodeur d'images pré-entraîné. Nous démontrons que les contraintes structurelles appliquées lors de l'apprentissage des prototypes nous permettent de capturer la structure sous-jacente des échantillons normaux, permettant ainsi une détection plus efficace des anomalies d'image. Nous obtenons des performances comparables à celles de modèles de référence robustes sur deux benchmarks de détection d'anomalies d'images industrielles.
