Nous présentons un cadre d’apprentissage expert guidé par la forme pour aborder le problème de la détection d’anomalies 3D non supervisée. Notre méthode repose sur l’efficacité de deux modèles experts spécialisés et sur leur synergie afin de localiser les régions anormales à partir de modalités couleur et forme. Le premier expert exploite les informations géométriques pour détecter des anomalies structurelles 3D en modélisant les champs de distance implicites autour des formes locales. Le second expert analyse les caractéristiques 2D RGB associées au premier expert afin d’identifier des irrégularités d’apparence colorée sur les formes locales. Nous utilisons ces deux experts pour construire deux banques de mémoire duals à partir d’échantillons d’entraînement exempts d’anomalies, et réalisons une inférence guidée par la forme afin de localiser précisément les défauts dans les échantillons de test. Grâce à une représentation 3D par point et à un schéma efficace de fusion de modalités complémentaires, notre méthode atteint des performances de pointe sur le jeu de données MVTec 3D-AD, avec un taux de rappel amélioré et un taux d’alertes fausses plus faible, conformément aux exigences des applications réelles.