La détection d’anomalies constitue une application essentielle dans le domaine de la fabrication industrielle à grande échelle. Les méthodes récentes proposées pour cette tâche ont démontré une excellente précision, mais au prix d’un compromis en termes de latence. Les approches basées sur la mémoire, telles que PatchCore ou l’adaptation des caractéristiques basée sur les hypersphères couplées (CFA), qui affichent des performances dominantes, nécessitent une mémoire externe, ce qui allonge significativement le temps d’exécution. Une autre approche, reposant sur la distillation inversée (Reversed Distillation, RD), parvient à obtenir de bons résultats tout en maintenant une faible latence. Dans ce travail, nous revisitons cette idée afin d’améliorer ses performances, établissant ainsi une nouvelle référence de pointe sur le jeu de données exigeant MVTec, tant pour la détection que pour la localisation des anomalies. La méthode proposée, nommée RD++, est six fois plus rapide que PatchCore et deux fois plus rapide que CFA, tout en introduisant une latence négligeable par rapport à RD. Nous validons également notre approche sur les jeux de données BTAD et Retinal OCT afin de démontrer sa généralisation, et menons des expériences d’ablation importantes pour mieux comprendre les configurations optimales. Le code source sera disponible à l’adresse suivante : https://github.com/tientrandinh/Revisiting-Reverse-Distillation.