La détection d’anomalies a connu une application extensive dans les industries manufacturières réelles grâce à son efficacité et sa performance remarquables. Toutefois, les modèles génératifs précédents ont été limités par une qualité de reconstruction sous-optimale, ce qui a entravé leur performance globale. Nous introduisons DiffusionAD, une nouvelle pipeline de détection d’anomalies composée d’un sous-réseau de reconstruction et d’un sous-réseau de segmentation. Une amélioration fondamentale réside dans notre reformulation du processus de reconstruction à l’aide d’un modèle de diffusion, transformant celui-ci en un paradigme bruit → norme. Dans ce cadre, les régions anormales perdent leurs caractéristiques distinctes après avoir été perturbées par un bruit gaussien, puis sont reconstruites en régions libres d’anomalies. Ensuite, le sous-réseau de segmentation prédit des scores de détection anormale au niveau pixel par analyse des similarités et des différences entre l’image d’entrée et sa reconstruction sans anomalie. Par ailleurs, compte tenu de la réduction significative de la vitesse d’inférence due à la nature itérative du débruitage dans les modèles de diffusion, nous revisitons ce processus et proposons un nouveau paradigme de débruitage à une seule étape. Ce dernier permet une accélération de plusieurs centaines de fois tout en préservant une qualité de reconstruction comparable. En outre, étant donné la diversité des manifestations des anomalies, nous proposons un paradigme guidé par la norme pour intégrer les avantages de plusieurs échelles de bruit, améliorant ainsi la fidélité des reconstructions. Des évaluations complètes sur quatre benchmarks standards et exigeants montrent que DiffusionAD surpassent les approches les plus avancées actuelles tout en maintenant une vitesse d’inférence comparable, démontrant ainsi l’efficacité et la large applicabilité de la pipeline proposée. Le code source est disponible à l’adresse suivante : https://github.com/HuiZhang0812/DiffusionAD