La détection d’anomalies non supervisée (UAD) suscite un vif intérêt de la recherche et connaît une application généralisée, dans laquelle seuls des échantillons exempts d’anomalies sont disponibles pour l’entraînement. Certains applications de l’UAD visent par ailleurs à localiser précisément les régions anormales, sans aucune information préalable sur les anomalies.Bien que l’absence d’échantillons anormaux et d’étiquettes altère les performances de l’UAD, un modèle statistique peu visible mais puissant, les flows de normalisation (normalizing flows), s’avère particulièrement adapté à la détection et à la localisation des anomalies de manière non supervisée. Les modèles probabilistes fondés sur les flows, entraînés uniquement sur des données normales, peuvent distinguer efficacement les anomalies imprévisibles en leur attribuant des probabilités bien plus faibles que celles des données normales.Toutefois, la variation de taille des anomalies imprévisibles introduit une difficulté supplémentaire pour les méthodes basées sur les flows, en vue d’obtenir une détection et une localisation haute précision. Pour généraliser cette variation de taille, nous proposons un nouveau cadre basé sur les flows, appelé MSFlow, composé de flux parallèles asymétriques suivis d’un flux de fusion permettant l’échange de perceptions multi-échelles. De plus, différentes stratégies d’agrégation multi-échelles sont adoptées pour la détection d’anomalies au niveau de l’image et la localisation au niveau des pixels, en fonction des différences entre ces deux tâches. Le MSFlow proposé est évalué sur trois jeux de données de détection d’anomalies, dépassant significativement les méthodes existantes. Notamment, sur le défi exigeant du benchmark MVTec AD, notre MSFlow atteint un nouveau record d’état de l’art, avec un score AUROC de détection de 99,7 %, un score AUCROC de localisation de 98,8 % et un score PRO de 97,1 %. Le code reproductible est disponible à l’adresse suivante : https://github.com/cool-xuan/msflow.