我们提出了一种强大的学生-教师框架，用于解决高分辨率图像中无监督异常检测与像素级异常分割这一具有挑战性的问题。学生网络通过回归一个预先在大规模自然图像块数据集上训练好的描述性教师网络的输出进行训练，从而无需依赖预先标注的数据。当学生网络的输出与教师网络的输出出现显著差异时，即判定为异常，这通常发生在学生网络无法在无异常训练数据流形之外进行有效泛化时。此外，我们利用学生网络固有的不确定性作为额外的评分函数，以进一步指示异常区域。我们将该方法与大量现有的基于深度学习的无监督异常检测方法进行了对比。实验结果表明，该方法在多个真实世界数据集上均显著优于当前最先进的技术，包括近期提出的MVTec异常检测数据集——该数据集专门用于评估异常分割算法的性能。