La détection d'anomalies de surface est un élément crucial dans l'inspection de fabrication. Les méthodes discriminatives actuelles suivent une architecture en deux étapes composée d'un réseau reconstructif suivi d'un réseau discriminatif qui s'appuie sur la sortie de reconstruction. Les réseaux reconstructifs actuellement utilisés produisent souvent des reconstructions de mauvaise qualité, qui contiennent encore des anomalies ou manquent de détails dans les régions exemptes d'anomalies. Les méthodes discriminatives sont robustes face à certaines échecs des réseaux reconstructifs, ce qui suggère que le réseau discriminatif apprend un signal fort d'apparence normale que les réseaux reconstructifs négligent. Nous reformulons l'architecture en deux étapes en un processus itératif en une seule étape, permettant l'échange d'informations entre la reconstruction et la localisation. Nous proposons un nouveau processus de diffusion basé sur la transparence où la transparence des régions anormales est progressivement augmentée, restituant leur apparence normale avec précision tout en maintenant l'apparence des régions exemptes d'anomalies grâce aux indices de localisation des étapes précédentes. Nous mettons en œuvre le processus proposé sous forme de TRANSparency DifFUSION (TransFusion), une nouvelle méthode discriminative de détection d'anomalies qui atteint des performances de pointe sur les jeux de données VisA et MVTec AD, avec un AUROC au niveau de l'image respectivement de 98,5 % et 99,2 %. Code : https://github.com/MaticFuc/ECCV_TransFusion