La détection non supervisée d’anomalies attire de plus en plus l’attention dans divers domaines pratiques en raison de la faible disponibilité de données d’anomalies. L’une des approches majeures repose sur les flows de normalisation, qui visent à transformer de manière inversible une distribution complexe, comme celle des images, en une distribution simple, telle que la loi normale standard N(0, I). En réalité, des algorithmes fondés sur les flows de normalisation, tels que FastFlow et CFLOW-AD, atteignent actuellement les performances les plus élevées sur les tâches de détection non supervisée d’anomalies. Toutefois, nous observons que ces algorithmes transforment souvent les images normales non pas vers N(0, I), mais vers une distribution normale arbitraire. Par ailleurs, leurs performances s’avèrent souvent instables, ce qui est particulièrement critique dans les tâches non supervisées où aucune donnée de validation n’est disponible. Pour surmonter ces limites, nous proposons une solution simple, AltUB, qui introduit un entraînement alterné afin d’ajuster dynamiquement la distribution de base des flows de normalisation pour la détection d’anomalies. AltUB améliore efficacement la stabilité des performances des flows de normalisation. En outre, notre méthode atteint une nouvelle performance de pointe pour la tâche de segmentation d’anomalies sur le jeu de données MVTec AD, avec un score AUROC de 98,8 %.