Les méthodes récentes de détection d’anomalies non supervisées s’appuient souvent sur des extracteurs de caractéristiques préentraînés à l’aide de jeux de données auxiliaires ou sur des échantillons d’anomalies soigneusement simulés. Toutefois, cette approche peut limiter leur adaptabilité à un ensemble croissant de tâches de détection d’anomalies en raison des biais inhérents au choix des jeux de données auxiliaires ou à la stratégie de simulation des anomalies. Pour relever ce défi, nous introduisons tout d’abord un paradigme de génération d’anomalies sans priori, puis développons un cadre innovant de détection d’anomalies non supervisées nommé GRAD, fondé sur ce paradigme. GRAD se compose de trois composants essentiels : (1) un modèle de diffusion (PatchDiff) permettant de générer des motifs contrastifs tout en préservant les structures locales tout en ignorant les structures globales présentes dans les images normales ; (2) un mécanisme auto-supervisé de réajustement des poids, conçu pour faire face au défi posé par les motifs contrastifs non étiquetés et à distribution longue-queue générés par PatchDiff ; (3) un détecteur léger au niveau des patches, permettant de distinguer efficacement les motifs normaux des motifs contrastifs réajustés. Les résultats de génération de PatchDiff mettent effectivement en évidence divers types de motifs d’anomalies, tels que les anomalies structurelles ou logiques. En outre, des expérimentations étendues sur les jeux de données MVTec AD et MVTec LOCO confirment ces observations et démontrent que GRAD atteint une précision compétitive en détection d’anomalies tout en offrant une vitesse d’inférence supérieure.