Ce papier s'intéresse à la détection d'anomalies en peu d'exemples (FSAD), un cadre pratique mais peu étudié pour la détection d'anomalies (AD), dans lequel seul un nombre limité d'images normales est disponible par catégorie lors de l'entraînement. Jusqu'à présent, les travaux existants sur le FSAD suivent le paradigme d'apprentissage « un modèle par catégorie » utilisé pour la détection d'anomalies classique, sans exploiter les similarités inter-catégories. Inspirés par la manière dont les humains détectent les anomalies — en comparant une image suspecte aux images normales —, nous proposons d'utiliser l'alignement d'images (registration), une tâche d'alignement intrinsèquement généralisable entre catégories, comme tâche proxy pour entraîner un modèle de détection d'anomalies indépendant des catégories. Lors de l'évaluation, les anomalies sont identifiées en comparant les caractéristiques alignées de l'image testée à celles de ses images de support (normales) correspondantes. À notre connaissance, c'est la première méthode de FSAD qui entraîne un seul modèle généralisable, nécessitant aucune re-entraînement ni ajustement des paramètres pour de nouvelles catégories. Les résultats expérimentaux montrent que la méthode proposée dépasse les méthodes d'état de l'art en FSAD de 3 à 8 % en AUC sur les benchmarks MVTec et MPDD.