La détection d’anomalies de surface vise à identifier des régions locales d’une image qui s’écartent significativement d’un apparence normale. Les méthodes récentes de détection d’anomalies de surface s’appuient sur des modèles génératifs afin de reconstruire précisément les zones normales, tout en échouant sur les anomalies. Ces approches sont entraînées uniquement sur des images dépourvues d’anomalies et nécessitent souvent des étapes post-traitement manuelles pour localiser les anomalies, ce qui empêche une optimisation efficace de l’extraction de caractéristiques en vue d’une détection maximale. En complément de l’approche reconstructive, nous considérons principalement la détection d’anomalies de surface comme un problème discriminatif et proposons un modèle d’embedding d’anomalie par reconstruction entraîné de manière discriminative (DRAEM). La méthode proposée apprend une représentation conjointe d’une image anormale et de sa reconstruction sans anomalie, tout en apprenant simultanément une frontière de décision entre les exemples normaux et anormaux. Cette approche permet une localisation directe des anomalies sans nécessiter de post-traitement complexe supplémentaire sur la sortie du réseau, et peut être entraînée à l’aide de simulations d’anomalies simples et générales. Sur le défi du jeu de données MVTec pour la détection d’anomalies, DRAEM surpasse largement les méthodes non supervisées les plus avancées actuelles, et atteint même une performance de détection proche des méthodes entièrement supervisées sur le jeu de données DAGM, largement utilisé pour la détection de défauts de surface, tout en se distinguant nettement par une précision de localisation supérieure.