La méthode des voisins les plus proches constitue une technique éprouvée et ancienne pour la détection d’anomalies. Des progrès significatifs ont récemment été réalisés grâce aux approches profondes auto-supervisées (par exemple, RotNet). Toutefois, les caractéristiques apprises par auto-supervision s’avèrent généralement inférieures à celles pré-entraînées sur ImageNet. Dans ce travail, nous examinons si les progrès récents permettent effectivement de surpasser les méthodes basées sur les voisins les plus proches opérant dans un espace de caractéristiques pré-entraînées sur ImageNet. Expérimentalement, l’approche simple basée sur les voisins les plus proches s’avère supérieure aux méthodes auto-supervisées en termes de précision, de généralisation en peu d’exemples, de temps d’entraînement et de robustesse au bruit, tout en faisant moins d’hypothèses sur la distribution des images.