Lors du traitement industriel, des défauts imprévus peuvent apparaître dans les produits en raison de facteurs incontrôlables. Bien que les méthodes non supervisées aient montré un succès dans la localisation des défauts, l’utilisation courante de modèles pré-entraînés conduit généralement à des sorties à faible résolution, altérant ainsi les performances visuelles. Pour remédier à ce problème, nous proposons PyramidFlow, la première méthode basée sur les flux normaux entièrement normalisés, ne nécessitant pas de modèles pré-entraînés, permettant une localisation des défauts à haute résolution. Plus précisément, nous introduisons un paradigme de localisation contrastive des défauts basé sur un modèle latent, visant à réduire la variance intra-classe, tout comme le font les modèles pré-entraînés. En outre, PyramidFlow utilise des flux normaux en pyramide pour une fusion multi-échelle et une normalisation volumétrique, favorisant ainsi la généralisation. Nos études approfondies sur MVTecAD démontrent que la méthode proposée surpasser les algorithmes comparables n’utilisant pas de connaissances externes, atteignant même des performances de pointe dans des scénarios plus exigeants tels que BTAD.