La détection d’anomalies constitue une tâche difficile, généralement formulée comme un problème d’apprentissage à une seule classe en raison de l’imprévisibilité des anomalies. Ce papier propose une approche simple mais puissante pour résoudre ce problème, mise en œuvre dans un cadre enseignant-élève, tirant parti de ses avantages tout en l’étendant considérablement en termes de précision et d’efficacité. En s’appuyant sur un modèle fort pré-entraîné sur la classification d’images comme enseignant, nous transférons sa connaissance vers un unique réseau élève de même architecture, afin d’apprendre la distribution des images exemptes d’anomalies ; ce transfert en une seule étape préserve au maximum les indices cruciaux. En outre, nous intégrons une stratégie de correspondance de caractéristiques multi-échelle dans le cadre, permettant à l’élève de recevoir une combinaison de connaissances de plusieurs niveaux provenant de la pyramide de caractéristiques, sous une supervision améliorée, ce qui lui confère la capacité de détecter des anomalies de tailles variées. La différence entre les pyramides de caractéristiques générées par les deux réseaux sert de fonction de score indiquant la probabilité de présence d’une anomalie. Grâce à ces mécanismes, notre approche réalise une détection d’anomalies précise et rapide au niveau pixel. Des résultats très compétitifs sont obtenus sur le jeu de données MVTec pour la détection d’anomalies, surpassant les méthodes de l’état de l’art.