基于重建的异常检测模型通过抑制对异常的泛化能力来实现其目标，但由此导致正常样本中多样的模式也难以被有效重建。尽管已有部分研究尝试通过建模样本多样性来缓解该问题，但由于异常信息的不当传播，这些方法仍存在捷径学习（shortcut learning）的缺陷。为更好地应对这一权衡问题，本文提出一种名为“可度量多样性异常检测”（Diversity-Measurable Anomaly Detection, DMAD）的新框架，旨在增强重建过程中的多样性，同时避免对异常样本产生不必要的泛化。为此，我们设计了金字塔形形变模块（Pyramid Deformation Module, PDM），该模块通过从重建结果到原始输入之间的多尺度形变场估计，同时建模多样化的正常模式并量化异常的严重程度。结合信息压缩模块后，PDM 实质上实现了形变信息与原型嵌入的解耦，从而提升了最终异常评分的可靠性。在监控视频与工业图像上的实验结果表明，所提方法具有显著有效性。此外，DMAD 在面对污染数据以及具有异常特征的正常样本时，同样表现出稳健的性能。