L’incapacité des méthodes de segmentation sémantique les plus avancées à détecter des instances anormales entrave leur déploiement dans des applications critiques pour la sécurité et complexes, telles que la conduite autonome. Les approches récentes se sont concentrées soit sur l’utilisation de l’incertitude de segmentation pour identifier les zones anormales, soit sur la ré-synthèse de l’image à partir de la carte d’étiquettes sémantiques afin de repérer des dissimilarités par rapport à l’image d’entrée. Dans ce travail, nous démontrons que ces deux méthodologies contiennent des informations complémentaires et peuvent être combinées pour produire des prédictions robustes en segmentation des anomalies. Nous proposons un cadre de détection d’anomalies au niveau des pixels qui utilise des cartes d’incertitude pour améliorer les méthodes existantes basées sur la ré-synthèse, en renforçant la détection des dissimilarités entre l’image d’entrée et l’image générée. Notre approche s’inscrit comme un cadre général s’appuyant sur des réseaux de segmentation déjà entraînés, garantissant ainsi la détection d’anomalies sans compromettre la précision de la segmentation, tout en surpassant significativement toutes les méthodes similaires. Les résultats au classement Top-2 sur diverses bases de données d’anomalies illustrent la robustesse de notre approche face à différents types d’anomalies.