La détection d’anomalies visuelles consiste à classifier ou localiser des régions d’une image qui s’écartent de leur apparence normale. Une approche courante consiste à entraîner un auto-encodeur sur des images exemptes d’anomalies, puis à détecter les anomalies en calculant la différence entre l’image d’entrée et l’image reconstruite. Cette méthode suppose que l’auto-encodeur ne pourra pas reconstruire correctement les régions anormales. Toutefois, en pratique, les réseaux de neurones généralisent bien même face aux anomalies et parviennent à les reconstruire de manière suffisamment précise, ce qui réduit ainsi leur capacité de détection. Une reconstruction précise est bien moins probable si les pixels anormaux n’étaient pas visibles à l’auto-encodeur. Nous reformulons donc le problème de détection d’anomalies comme un problème de reconstruction auto-supervisé par restauration partielle (inpainting). Notre méthode, appelée RIAD, supprime aléatoirement des régions partielles de l’image et reconstruit l’image à partir de ces restaurations partielles, ce qui permet de surmonter les limites des approches basées sur les auto-encodeurs. RIAD a été évaluée de manière exhaustive sur plusieurs benchmarks et établit un nouveau record sur un récent benchmark particulièrement exigeant en détection d’anomalies.