尽管大多数现有的异常检测研究假设仅可获得正常样本用于训练，但在许多现实应用场景中，往往也能获取少量标注的异常样本，例如在随机质量检验中识别出的缺陷样本、日常医疗筛查中由放射科医生确认的病灶图像等。这些异常样本为特定应用中的异常模式提供了宝贵知识，使得近年来的部分模型在检测相似异常方面取得了显著性能提升。然而，训练过程中所见的异常通常无法涵盖所有可能的异常类别，导致这些模型在泛化至未见异常类别时表现不佳。本文针对开放集监督式异常检测问题，旨在利用已知异常样本训练检测模型，以实现对已见异常（“灰天鹅”）和未见异常（“黑天鹅”）的联合检测。为此，我们提出一种新方法，通过学习由已见异常、伪异常以及潜在残差异常（即在隐空间中与正常数据相比具有异常残差的样本）所表征的解耦表示，来实现对未见异常的有效检测。其中，伪异常与潜在残差异常的设计专门用于捕捉未见异常的特征。在九个真实世界异常检测数据集上的大量实验表明，所提模型在多种设置下均展现出优于现有方法的性能，能够有效检测已见与未见异常。代码与数据已公开，详见：https://github.com/choubo/DRA。