Pour détecter des anomalies de tailles variées dans des motifs normaux complexes, nous proposons une méthode de restauration hiérarchique des caractéristiques guidée par un modèle (Template-guided Hierarchical Feature Restoration), qui introduit deux techniques clés : la compression par goulot d’étranglement (bottleneck compression) et la compensation guidée par modèle (template-guided compensation), afin de restaurer les caractéristiques sans anomalie. Plus précisément, notre cadre compresse les caractéristiques hiérarchiques d’une image via une structure de goulot d’étranglement, afin de préserver les caractéristiques les plus cruciales communes à tous les échantillons normaux. Nous concevons une compensation guidée par modèle pour restaurer les caractéristiques déformées vers des caractéristiques sans anomalie. En particulier, nous sélectionnons l’échantillon normal le plus similaire comme modèle (template) et utilisons ses caractéristiques hiérarchiques pour compenser les caractéristiques déformées. Le goulot d’étranglement filtre partiellement les caractéristiques d’anomalie, tandis que la compensation convertit ensuite les caractéristiques d’anomalie résiduelles vers des états normaux sous la guidance du modèle. Enfin, les anomalies sont détectées à l’aide de la distance cosinus entre les caractéristiques pré-entraînées d’une image d’inférence et les caractéristiques restaurées sans anomalie correspondantes. Les résultats expérimentaux démontrent l’efficacité de notre approche, qui atteint des performances de pointe sur le jeu de données MVTec LOCO AD.