détecte les anomalies visuelles le problème de classification ou de localisation des régions dans une image qui s'écartent de leur apparence normale. Une approche courante consiste à entraîner un auto-encodeur sur des images exemptes d'anomalies, puis à détecter les anomalies en calculant la différence entre l'image d'entrée et l'image reconstruite. Cette méthode suppose que l'auto-encodeur ne pourra pas reconstruire avec précision les régions anormales. Mais en pratique, les réseaux neuronaux généralisent bien même aux anomalies et les reconstruisent suffisamment bien, ce qui réduit ainsi leurs capacités de détection. Une reconstruction précise est bien moins probable si les pixels anormaux n'ont pas été visibles à l'auto-encodeur. Nous reformulons donc la détection des anomalies comme un problème de reconstruction auto-supervisé par remplissage (inpainting). Notre approche (RIAD) supprime aléatoirement des régions partielles de l'image et reconstruit l'image à partir de remplissages partiels, ce qui permet de surmonter les limites des méthodes basées sur les auto-encodeurs. RIAD a été évaluée de manière extensive sur plusieurs benchmarks et établit un nouveau record d'état de l'art sur un benchmark récent particulièrement exigeant pour la détection des anomalies.