Nous introduisons un cadre puissant de type « étudiant-enseignant » pour aborder le problème difficile de la détection d’anomalies non supervisée et de la segmentation précise au niveau des pixels dans des images à haute résolution. Les réseaux étudiants sont entraînés à prédire la sortie d’un réseau enseignant descriptif, préentraîné sur un grand ensemble de patches d’images naturelles. Cette approche élimine la nécessité d’étiquetages préalables des données. Les anomalies sont détectées lorsque les sorties des réseaux étudiants diffèrent de celles du réseau enseignant, ce qui se produit lorsque ces derniers échouent à généraliser en dehors de la variété des données d’entraînement exemptes d’anomalies. L’incertitude intrinsèque des réseaux étudiants est exploitée comme fonction de score supplémentaire pour identifier les anomalies. Nous comparons notre méthode à un grand nombre de méthodes existantes basées sur l’apprentissage profond pour la détection d’anomalies non supervisée. Nos expériences montrent des améliorations par rapport aux méthodes de pointe sur plusieurs jeux de données du monde réel, notamment le jeu de données MVTec Anomaly Detection, récemment publié et spécifiquement conçu pour évaluer les algorithmes de segmentation des anomalies.