La détection d’anomalies est essentielle pour l’identification avancée des défauts de produits tels que les pièces incorrectes, les composants mal alignés ou les dommages dans les processus de fabrication industrielle. En raison de la rareté des observations anormales et de la diversité inconnue des types de défauts, la détection d’anomalies constitue un défi majeur en apprentissage automatique. Pour surmonter cette difficulté, les approches récentes exploitent des représentations visuelles pré-entraînées à partir de jeux de données d’images naturelles et distillent les caractéristiques pertinentes. Toutefois, les méthodes existantes souffrent encore d’un écart entre les caractéristiques pré-entraînées et les données cibles, ou nécessitent des augmentations d’entrée soigneusement conçues, particulièrement pour les jeux de données industriels. Dans cet article, nous introduisons ReConPatch, une méthode qui construit des caractéristiques discriminantes pour la détection d’anomalies en entraînant une modulation linéaire des caractéristiques de patch extraites à partir d’un modèle pré-entraîné. ReConPatch utilise un apprentissage par représentation contrastive pour collecter et distribuer les caractéristiques de manière à produire une représentation ciblée et facilement séparable. Pour pallier l’absence de paires étiquetées dans l’apprentissage contrastif, nous utilisons deux mesures de similarité entre les représentations des données — la similarité par paires et la similarité contextuelle — comme pseudo-étiquettes. Notre méthode atteint une performance de détection d’anomalies de pointe (99,72 %) sur le jeu de données MVTec AD, largement utilisé et particulièrement difficile. En outre, nous obtenons une performance de pointe (95,8 %) sur le jeu de données BTAD.