La détection non supervisée d’anomalies avec localisation présente de nombreuses applications pratiques lorsque l’étiquetage est impossible, et notamment lorsque des exemples d’anomalies sont totalement absents dans les données d’entraînement. Bien que les modèles récemment proposés pour ce cadre de données atteignent des performances élevées en termes de métriques d’exactitude, leur complexité constitue un obstacle majeur à leur utilisation en temps réel. Dans cet article, nous proposons un modèle en temps réel et dérivons analytiquement ses liens avec les méthodes antérieures. Notre modèle CFLOW-AD repose sur un cadre de flow normalisant conditionnel adapté à la détection d’anomalies avec localisation. Plus précisément, CFLOW-AD se compose d’un encodeur préentraîné de manière discriminative, suivi de décodificateurs génératifs multi-échelles dont les derniers estiment explicitement la vraisemblance des caractéristiques encodées. Cette approche conduit à un modèle à la fois efficace en calcul et en mémoire : CFLOW-AD est 10 fois plus rapide et 10 fois plus petit que les méthodes de pointe précédentes, pour le même jeu d’entrée. Nos expériences sur le jeu de données MVTec montrent que CFLOW-AD surpasse les méthodes antérieures de 0,36 % en termes d’AUROC pour la tâche de détection, et de 1,12 % en AUROC et 2,5 % en AUPRO pour la tâche de localisation, respectivement. Nous rendons open source notre code, accompagné d’expériences entièrement reproductibles.