Nos enfocamos en detectar anomalías en imágenes donde la distribución de datos está respaldada por una variedad embebida de menor dimensión. Los enfoques basados en autoencoders han apuntado a controlar su capacidad ya sea reduciendo el tamaño de la capa del cuello de botella o imponiendo restricciones de dispersión en sus activaciones. Sin embargo, ninguna de estas técnicas penaliza explícitamente la reconstrucción de regiones anómalas, lo que a menudo resulta en una detección deficiente. Abordamos este problema adaptando un régimen de aprendizaje auto-supervisado que implementa esencialmente un autoencoder de eliminación de ruido con ruido estructurado no i.i.d. Informalmente, nuestro objetivo es regularizar el modelo para producir reconstrucciones localmente consistentes mientras se reemplazan las irregularidades actuando como un filtro que elimina patrones anómalos. Formalmente, mostramos que el modelo resultante se asemeja a una proyección ortogonal no lineal de imágenes parcialmente corruptas en el subconjunto de ejemplos no corruptos. Además, identificamos la proyección ortogonal como una solución óptima para un autoencoder regularizado específico relacionado con variantes contractivas y de eliminación de ruido. Además, la proyección ortogonal proporciona un efecto de conservación al preservar en gran medida el contenido original de sus argumentos. Juntas, estas propiedades facilitan una detección y localización precisas de regiones anómalas mediante el error de reconstrucción. Apoyamos nuestro análisis teórico logrando resultados de vanguardia (AUROC a nivel de imagen/píxel de 99,8/99,2%) en el conjunto de datos MVTec AD, un desafío de referencia para la detección de anomalías en el dominio de la fabricación.