Nous présentons un nouveau cadre pour la modélisation de la distribution des patches, appelé PaDiM, permettant de détecter et de localiser simultanément les anomalies dans les images dans un cadre d'apprentissage à une seule classe. PaDiM utilise un réseau neuronal convolutif (CNN) préentraîné pour extraire des embeddings de patches, ainsi que des distributions gaussiennes multivariées afin d'obtenir une représentation probabiliste de la classe normale. Il exploite également les corrélations entre les différentes niveaux sémantiques du CNN afin d'améliorer la localisation des anomalies. PaDiM surpasser les approches les plus avancées actuelles tant pour la détection que pour la localisation des anomalies sur les jeux de données MVTec AD et STC. Afin de mieux refléter les conditions réelles d'inspection visuelle industrielle, nous étendons le protocole d'évaluation pour évaluer les performances des algorithmes de localisation des anomalies sur des jeux de données non alignés. La performance élevée et la faible complexité de PaDiM en font un candidat idéal pour de nombreuses applications industrielles.