Dans la détection d’anomalies industrielles, l’efficacité des données et la capacité à migrer rapidement entre différents produits deviennent les préoccupations majeures lors du développement d’algorithmes de détection. Les méthodes existantes ont tendance à être gourmandes en données et fonctionnent selon un principe « un modèle par catégorie », ce qui limite leur efficacité dans des scénarios industriels réels. Dans cet article, nous proposons une stratégie de détection d’anomalies à faible nombre d’exemples (few-shot) adaptée à un régime à faible quantité de données et capable de généraliser entre produits sans coût supplémentaire. Étant donné un échantillon anormal en requête, nous proposons d’utiliser quelques échantillons normaux comme référence afin de reconstruire sa version normale ; la détection d’anomalie finale est alors obtenue par alignement d’échantillons. Plus précisément, nous introduisons une nouvelle méthode de régression régularisée par distribution, permettant d’obtenir la transformation optimale entre les caractéristiques des échantillons de support et celles de la requête. Cette approche garantit que le résultat de reconstruction présente une similarité visuelle avec l’échantillon de requête tout en préservant les propriétés des échantillons normaux. Les résultats expérimentaux montrent que notre méthode surpasse significativement les états de l’art précédents en termes de performances AUROC aux niveaux image et pixel, dans des scénarios allant de 2 à 8 exemples. En outre, avec seulement un nombre limité d’échantillons d’entraînement (moins de 8 échantillons), notre méthode atteint des performances compétitives par rapport aux méthodes classiques de détection d’anomalies (AD), qui nécessitent une grande quantité d’échantillons normaux pour l’entraînement.