Le transfert de connaissances (Knowledge Distillation, KD) est une approche prometteuse pour la détection non supervisée d'anomalies (Anomaly Detection, AD). Cependant, la sur-généralisation du réseau étudiant diminue souvent les différences de représentation cruciales entre le réseau enseignant et l'étudiant dans les régions anormales, entraînant des échecs de détection. Pour résoudre ce problème, le paradigme largement reconnu du transfert inverse (Reverse Distillation, RD) conçoit un couple enseignant-étudiant asymétrique, en utilisant un encodeur comme enseignant et un décodeur comme étudiant. Néanmoins, la conception du RD ne garantit pas que l'encodeur enseignant distingue efficacement les caractéristiques normales des caractéristiques anormales ou que le décodeur étudiant génère des caractéristiques exemptes d'anomalies. De plus, l'absence de connexions résiduelles entraîne une perte de détails fins lors de la reconstruction des caractéristiques. Pour remédier à ces problèmes, nous proposons le RD avec Expert, qui introduit un nouveau réseau Expert-Enseignant-Étudiant pour le transfert simultané de l'encodeur enseignant et du décodeur étudiant. Le réseau expert ajouté améliore la capacité de l'étudiant à générer des caractéristiques normales et optimise la distinction par l'enseignant entre les caractéristiques normales et anormales, réduisant ainsi les détections manquées. De plus, une injection d'information guidée est conçue pour filtrer et transférer les caractéristiques de l'enseignant à l'étudiant, améliorant la reconstruction des détails et minimisant les faux positifs. Les expériences menées sur plusieurs benchmarks montrent que notre méthode surpasse les méthodes existantes de détection non supervisée d'anomalies sous le paradigme RD, exploitant pleinement le potentiel du RD.