从单张图像中进行异常检测极具挑战性，原因在于异常数据本身极为稀少，且其类型往往高度不可预测。在仅有正常数据可用的情况下，大多数现有方法采用自编码器（AutoEncoder）对输入图像进行重建，并通过比较输入与输出之间的差异来识别异常区域。然而，这类方法存在潜在问题：粗略的重建会产生额外的图像差异，而高保真的重建则可能将异常信息也纳入其中。本文通过提出一种两阶段方法，有效解决了这一矛盾，实现了高保真且不含异常的图像重建。所提出的无监督两阶段异常检测方法（Unsupervised Two-stage Anomaly Detection, UTAD）依赖于两个关键技术组件：印象提取网络（Impression Extractor, IE-Net）和专家网络（Expert-Net）。IE-Net与Expert-Net协同完成两阶段的无异常图像重建任务，同时生成直观的中间结果，使整个UTAD过程具备良好的可解释性。大量实验表明，该方法在包含不同真实世界物体与纹理的四个异常检测数据集上，均显著优于现有最先进方法。