Nous présentons une tâche d'auto-supervision simple et intuitive, les Anomalies Naturelles Synthétiques (NSA), pour entraîner un modèle de bout en bout à la détection et à la localisation des anomalies en utilisant uniquement des données d'entraînement normales. NSA intègre l'édition d'images de Poisson pour fusionner harmonieusement des patchs d'échelles variées provenant d'images distinctes. Cela crée une large gamme d'anomalies synthétiques qui sont plus similaires aux irrégularités naturelles de sous-images que les stratégies précédentes d'augmentation de données pour la détection auto-supervisée des anomalies. Nous évaluons la méthode proposée à l'aide d'images naturelles et médicales. Nos expériences avec le jeu de données MVTec AD montrent qu'un modèle formé pour localiser les anomalies NSA généralise bien à la détection de défauts réels a priori inconnus dans le domaine de la fabrication. Notre méthode atteint un AUROC global de détection de 97,2, surpassant toutes les méthodes précédentes qui apprennent sans l'utilisation de jeux de données supplémentaires. Le code est disponible sur https://github.com/hmsch/natural-synthetic-anomalies.