以往关于无监督工业异常检测的研究主要聚焦于局部结构异常，例如裂纹和颜色污染等。尽管在检测此类异常方面取得了显著的性能提升，但面对违反长程依赖关系的逻辑异常（如正常物体被放置在错误位置）时，现有方法仍面临挑战。本文基于先前的知识蒸馏研究，提出采用两个学生网络（局部学生与全局学生）来更有效地模拟教师网络的行为：其中，局部学生沿用以往研究中的设计，专注于结构异常的检测；而全局学生则侧重于捕捉逻辑异常。为进一步增强全局学生对长程依赖关系的学习能力，本文设计了全局上下文压缩模块（Global Context Condensing Block, GCCB），并提出一种上下文亲和性损失（Contextual Affinity Loss），用于学生网络的训练及异常评分。实验结果表明，所提出的方法无需复杂的训练技巧，即可在MVTec LOCO AD数据集上达到新的最先进性能。