当前最先进的判别式无监督表面异常检测方法依赖外部数据集来合成带有异常的训练图像。然而，这类方法在处理近分布内异常（near-in-distribution anomalies）时容易失效，因为这些异常与正常区域高度相似，难以真实地进行合成。为此，我们提出了一种基于量化特征空间表示的双解码器架构——DSR（Dual Decoder with Quantized Feature Space Representation），该方法无需在图像层面进行异常合成。DSR不依赖对异常视觉特性的任何先验假设，而是通过从学习得到的量化特征空间中采样，实现异常在特征层面的生成，从而能够可控地生成近分布内异常。在KSDD2和MVTec异常检测数据集上，DSR均取得了当前最优的性能表现。在具有挑战性的真实世界数据集KSDD2上的实验结果表明，DSR显著优于其他无监督表面异常检测方法，在异常检测任务上较此前表现最佳的方法提升了10%的平均精度（AP），在异常定位任务上更是提升了35%的AP。