Bisherige Arbeiten auf dem Gebiet der unsupervisierten industriellen Anomalieerkennung konzentrieren sich hauptsächlich auf lokale strukturelle Anomalien wie Risse oder Farbverunreinigungen. Obwohl diese Ansätze eine signifikant hohe Erkennungsleistung für solche Anomalien erzielen, stoßen sie bei logischen Anomalien an ihre Grenzen, die die langfristigen Abhängigkeiten verletzen, beispielsweise ein normales Objekt an einer falschen Position. In dieser Arbeit greifen wir auf vorherige Arbeiten zur Wissensdistanzierung zurück und schlagen vor, zwei Schüler (einen lokalen und einen globalen) einzusetzen, um das Verhalten des Lehrers besser nachzuahmen. Der lokale Schüler, der in früheren Studien vorwiegend eingesetzt wurde, fokussiert sich auf die Erkennung struktureller Anomalien, während der globale Schüler sich auf logische Anomalien konzentriert. Um die Fähigkeit des globalen Schülers weiter zu fördern, langfristige Abhängigkeiten zu erfassen, entwerfen wir den globalen Kontext-Kompressionsblock (GCCB) und schlagen eine kontextuelle Affinitätsverlustfunktion für das Lernen der Schüler und die Anomaliebewertung vor. Experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode keine aufwändigen Trainingsmethoden erfordert und eine neue state-of-the-art-Leistung auf dem MVTec LOCO AD-Datensatz erzielt.