L’état de l’art de la détection non supervisée de défauts de surface repose sur l’utilisation de jeux de données externes afin de synthétiser des images d’entraînement enrichies de défauts. Ces approches sont sujettes à échec face aux anomalies proches de la distribution des données normales, car celles-ci sont difficiles à synthétiser de manière réaliste en raison de leur similarité avec les régions sans défaut. Nous proposons une architecture basée sur une représentation quantifiée de l’espace des caractéristiques et comprenant deux décodeurs, DSR, qui élimine la nécessité de synthétiser des anomalies au niveau des images. Sans faire aucune hypothèse sur les propriétés visuelles des anomalies, DSR génère celles-ci au niveau des caractéristiques en échantillonnant l’espace des caractéristiques quantifiées apprises, permettant ainsi une génération contrôlée d’anomalies proches de la distribution des données. DSR atteint des résultats de pointe sur les jeux de données KSDD2 et MVTec pour la détection de défauts. Les expériences menées sur le jeu de données réel et exigeant KSDD2 montrent que DSR surpasse significativement les autres méthodes non supervisées de détection de défauts de surface, améliorant les méthodes précédemment les plus performantes de 10 % en précision de détection d’anomalies et de 35 % en localisation d’anomalies.