La Détection d'Anomalies (AD) en contexte non-supervisé est une thématique de recherche importante. En pratique, les anomalies ne sont pas connues à l'avance. Dans ce cadre, les Autoencodeurs Variationnels (VAE) constituent une approche très populaire et ont donné naissance aux Autoencodeurs Variationnels à registre de vecteurs (VQ-VAE). Nous présentons une nouvelle approche tirant profit de métriques inhérentes aux VQ-VAE pour l'AD. Dans notre approche, nous calculons une distance entre la sortie de l'encodeur et les vecteurs du registre qui définit l'espace latent. Cette distance vient compléter l'information apportée par une seconde métrique exploitant les capacités de reconstruction du VQ-VAE. Nous évaluons notre modèle sur trois jeux de données et montrons qu'il est compétitif avec d'autres modèles issus de l'état de l'art.