La détection d’anomalies peut être abordée soit par modélisation générative des données d’entraînement régulières, soit par discrimination par rapport à des données négatives d’entraînement. Ces deux approches présentent des modes de défaillance distincts. Par conséquent, les algorithmes hybrides constituent un objectif de recherche attrayant. Malheureusement, la détection d’anomalies dense exige une équivariance translationnelle ainsi qu’une résolution d’entrée très élevée, des contraintes qui, à notre connaissance, excluent toutes les approches hybrides antérieures. Nous proposons donc un nouvel algorithme hybride fondé sur une réinterprétation des logits discriminatifs comme logarithme de la distribution jointe non normalisée $\hat{p}(\mathbf{x}, \mathbf{y})$p^​(x,y). Notre modèle repose sur une représentation convolutive partagée à partir de laquelle nous récupérons trois prédictions denses : i) la postérieure de classe en fermé $P(\mathbf{y}|\mathbf{x})$P(y∣x), ii) la postérieure du jeu de données $P(d_{in}|\mathbf{x})$P(din​∣x), iii) la vraisemblance non normalisée des données $\hat{p}(\mathbf{x})$p^​(x). Les deux dernières prédictions sont entraînées à la fois sur les données d’entraînement standards et sur un jeu de données négatif générique. Nous combinons ces deux prédictions pour former un score d’anomalie hybride, permettant ainsi une reconnaissance ouverte dense sur des images naturelles de grande taille. Nous concevons spécifiquement une fonction de perte personnalisée pour la vraisemblance des données afin d’éviter la rétropropagation à travers la constante de normalisation intractable $Z(θ)$Z(θ). Des expériences évaluent nos contributions sur des benchmarks standards de détection d’anomalies denses, ainsi que sur un nouvel indicateur, l’open-mIoU, dédié à la performance en reconnaissance ouverte dense. Nos résultats atteignent l’état de l’art, tout en introduisant un surcoût computationnel négligeable par rapport à la base standard de segmentation sémantique.