La détection et la localisation des anomalies sont largement utilisées dans le secteur de la fabrication industrielle en raison de leur efficacité et de leur efficacité. Les anomalies sont rares et difficiles à collecter, et les modèles supervisés s’ajustent facilement aux anomalies observées, même avec un petit nombre d’échantillons anormaux, entraînant des performances insatisfaisantes. D’un autre côté, les anomalies sont généralement subtiles, difficiles à distinguer, et présentent une grande variété d’apparences, ce qui rend leur détection, encore plus leur localisation, particulièrement ardue. Pour surmonter ces défis, nous proposons un cadre appelé Prototypical Residual Network (PRN), qui apprend des résidus de caractéristiques à différentes échelles et tailles entre les motifs anormaux et normaux afin de reconstruire précisément les cartes de segmentation des régions anormales. PRN se compose principalement de deux composants : des prototypes multi-échelles qui représentent explicitement les caractéristiques résiduelles des anomalies par rapport aux motifs normaux ; et un mécanisme d’attention auto-adaptative multi-tailles, permettant l’apprentissage de caractéristiques anormales de tailles variables. Par ailleurs, nous proposons diverses stratégies de génération d’anomalies prenant en compte à la fois les variations d’apparence connues et inconnues, afin d’enrichir et diversifier les anomalies. Des expérimentations étendues sur le défi MVTec AD, largement utilisé et particulièrement exigeant, montrent que PRN surpasser les méthodes actuelles de pointe, tant supervisées que non supervisées. Nous rapportons également des résultats SOTA (state-of-the-art) sur trois autres jeux de données, démontrant ainsi l’efficacité et la généralisation du cadre PRN.