摘要
基于学生-教师网络的知识蒸馏是解决具有挑战性的无监督异常检测任务的一种主流方法范式，其利用教师网络与学生网络在表征能力上的差异实现异常定位。然而，学生网络对教师网络的过度泛化可能导致异常区域表征能力差异微弱，从而影响检测效果。现有方法通过从结构层面设计差异化的师生网络，或从内容层面显式扩展蒸馏信息来缓解潜在的过度泛化问题，但这不可避免地增加了学生网络欠拟合的风险，并削弱了其在异常中心区域或边缘区域的检测能力。本文提出了一种面向无监督异常检测的双模解耦蒸馏方法（Dual-Modeling Decouple Distillation, DMDD）。在DMDD中，我们设计了一种解耦式学生-教师网络，将初始学生网络的特征解耦为正常性特征与异常性特征。进一步地，我们引入基于正常-异常图像对的双模蒸馏机制：在异常图像上拟合其正常性特征，同时拟合对应正常图像的教师网络特征，从而在异常区域显著拉大异常性特征与教师特征之间的距离。通过融合上述两种蒸馏策略，DMDD实现了对异常区域中心与边缘均具有关注能力的异常检测。最后，我们提出一种多感知分割网络（Multi-perception Segmentation Network），基于多注意力机制实现聚焦的异常图融合。在MVTec AD数据集上的实验结果表明，DMDD在像素级AUC上达到98.85%，在PRO指标上达到96.13%，显著超越了以往基于知识蒸馏的最先进方法，实现了当前最优的异常定位性能。