La détection non supervisée d'anomalies dans les images (UAD) vise à apprendre des représentations robustes et discriminantes des échantillons normaux. Bien que des solutions séparées par classe entraînent un calcul coûteux et une généralisation limitée, cet article se concentre sur la construction d'un cadre unifié pour plusieurs classes. Dans ce contexte difficile, les réseaux populaires basés sur la reconstruction avec une hypothèse de représentation latente continue souffrent souvent du problème du « raccourci identique », où les échantillons normaux et anormaux peuvent être bien reconstruits et difficiles à distinguer. Pour résoudre cette question cruciale, nous proposons un Transformers orienté vers des prototypes vectoriels quantifiés hiérarchiquement, sous un cadre probabiliste. Premièrement, au lieu d'apprendre des représentations continues, nous conservons les motifs normaux typiques sous forme de prototypes iconiques discrets, et nous confirmons l'importance de la quantification vectorielle pour éviter que le modèle ne tombe dans le raccourci. Le prototype iconique vectoriellement quantifié est intégré au Transformers pour la reconstruction, de telle sorte que le point de données anormal est transformé en un point de données normal.Deuxièmement, nous explorons un cadre hiérarchique élaboré pour atténuer le problème de l'effondrement du codebook et renforcer les motifs normaux fragiles.Troisièmement, une méthode de transport optimal orientée vers les prototypes est proposée afin de mieux réguler les prototypes et d'évaluer hiérarchiquement le score d'anomalie. En évaluant notre modèle sur les ensembles de données MVTec-AD et VisA, il dépasse les alternatives de pointe actuelles et possède une bonne interprétabilité. Le code est disponible à l'adresse suivante : https://github.com/RuiyingLu/HVQ-Trans.