La détection d’anomalies vise à identifier des données anormales s’écartant des données normales, tout en nécessitant généralement une quantité suffisante de données normales pour entraîner le modèle afin de réaliser cette tâche. Malgré les progrès récents réalisés par les méthodes de détection d’anomalies, la détection d’anomalies dans un domaine inconnu reste un défi majeur. Dans cet article, nous abordons la tâche de détection d’anomalies sur des surfaces texturées avec généralisation de domaine. En observant des données de surfaces normales et anormales provenant de plusieurs domaines sources, notre modèle vise à se généraliser à une surface texturée inconnue d’intérêt, où seule une petite quantité de données normales est disponible pendant le test. Bien que les étiquettes d’image soient les seules disponibles dans les données d’entraînement, notre modèle fondé sur l’apprentissage méta par patchs démontre une capacité de généralisation prometteuse : non seulement il parvient à s’adapter à des domaines d’images inconnus, mais il peut également localiser précisément les régions anormales dans l’image de requête. Nos expériences montrent que notre modèle se distingue favorablement par rapport aux approches les plus avancées en détection d’anomalies et en généralisation de domaine dans diverses configurations.