Identifier automatiquement des anomalies dans des images, y compris des situations inédites, est un enjeu clé pour de nombreuses applications industrielles et de sécurité. Dans un récent travail de recherche, nous avons étudié comment des embeddings issus de modèles de vision modernes peuvent être utilisés pour la détection d’anomalies visuelles, sans recourir à un apprentissage supervisé.

Cette étude compare plusieurs architectures récentes (Vision Transformers, DINOv2, I-JEPA) afin d’évaluer :

• leur capacité à détecter des anomalies inconnues,
• les compromis entre précision et coût de calcul,
• et la possibilité de localiser les anomalies directement dans l’image, grâce à des représentations locales.

Les résultats montrent qu’une approche simple, fondée sur des embeddings génériques et du clustering non supervisé, permet déjà d’obtenir des performances solides et exploitables dans des scénarios réalistes.

Ce travail a été accepté et publié à la conférence internationale Image and Vision Computing New Zealand (IVCNZ 2025).

Félicitations aux auteurs : Jean-Marc Spat et Houda Chabbi-Drissi

Cette étude contribue aux réflexions menées à iCoSys autour de l’IA responsable et pragmatique, en privilégiant des méthodes simples, explicables et adaptables à des contextes applicatifs réels