Les méthodes de reconstruction de caractéristiques auto-supervisées ont montré des progrès prometteurs dans la détection et la localisation des anomalies sur images industrielles. Malgré ces avancées, ces approches peinent encore à générer des échantillons d’anomalies réalistes et diversifiés, tout en faisant face au problème de redondance des caractéristiques et au biais d’entraînement préalable inhérent aux caractéristiques pré-entraînées. Dans ce travail, nous introduisons RealNet, un réseau de reconstruction de caractéristiques intégrant une synthèse réaliste d’anomalies et une sélection adaptative des caractéristiques. Ce modèle repose sur trois innovations clés : premièrement, nous proposons Strength-controllable Diffusion Anomaly Synthesis (SDAS), une stratégie de synthèse basée sur un processus de diffusion capable de générer des échantillons présentant des intensités d’anomalie variables, en s’inspirant fidèlement de la distribution des échantillons anormaux réels ; deuxièmement, nous développons Anomaly-aware Features Selection (AFS), une méthode permettant de sélectionner des sous-ensembles représentatifs et discriminants parmi les caractéristiques pré-entraînées, afin d’améliorer les performances de détection des anomalies tout en maîtrisant les coûts computationnels ; troisièmement, nous introduisons Reconstruction Residuals Selection (RRS), une stratégie adaptative qui sélectionne de manière dynamique des résidus discriminants pour une identification complète des régions anormales à plusieurs niveaux de granularité. Nous évaluons RealNet sur quatre jeux de données standardisés, et nos résultats démontrent des améliorations significatives tant en Image AUROC qu’en Pixel AUROC par rapport aux méthodes de pointe actuelles. Le code, les données et les modèles sont disponibles à l’adresse suivante : https://github.com/cnulab/RealNet.