Les modèles de détection d’anomalies basés sur la reconstruction atteignent leur objectif en restreignant la capacité de généralisation aux anomalies. Toutefois, les motifs normaux diversifiés sont également mal reconstruits en conséquence. Bien que certains efforts aient été déployés pour atténuer ce problème en modélisant la diversité des échantillons, ces approches souffrent d’un apprentissage par raccourci en raison de la transmission indésirable d’informations anormales. Dans ce travail, afin de mieux gérer ce compromis, nous proposons le cadre de détection d’anomalies à diversité mesurable (Diversity-Measurable Anomaly Detection, DMAD), visant à améliorer la diversité de la reconstruction tout en évitant la généralisation indésirable sur les anomalies. Pour ce faire, nous concevons un module de déformation pyramidale (Pyramid Deformation Module, PDM), qui modélise les données normales diversifiées et évalue la sévérité d’une anomalie en estimant des champs de déformation multi-échelles entre la reconstruction de référence et l’entrée d’origine. Intégré à un module de compression d’information, PDM découple essentiellement la déformation de l’embedding prototypique, rendant ainsi le score d’anomalie final plus fiable. Les résultats expérimentaux sur des vidéos de surveillance et des images industrielles démontrent l’efficacité de notre méthode. En outre, DMAD se montre également performant face à des données contaminées et à des échantillons normaux présentant des caractéristiques anormales.