Die unsupervised Anomalieerkennung spielt eine entscheidende Rolle in der großskaligen industriellen Fertigung. In jüngsten Ansätzen wurde der Vorteil genutzt, dass durch einen auf natürlichen Bildern vortrainierten Klassifikator repräsentative Merkmale aus spezifischen Schichten extrahiert werden können. Diese extrahierten Merkmale werden anschließend mit verschiedenen Techniken verarbeitet. Insbesondere haben methoden basierend auf Speicherbanken eine außergewöhnlich hohe Genauigkeit gezeigt; sie sind jedoch oft mit einem Kompromiss hinsichtlich der Latenz verbunden. Dieser Latenzkompromiss stellt eine Herausforderung für Echtzeit-Anwendungen in der Industrie dar, bei denen eine schnelle Erkennung und Reaktion auf Anomalien entscheidend ist. Tatsächlich haben alternative Ansätze wie Knowledge Distillation und Normalized Flow vielversprechende Leistungen bei der unsupervised Anomalieerkennung erzielt, während sie gleichzeitig eine geringe Latenz aufrechterhalten. In diesem Artikel widmen wir uns erneut dem Konzept der Knowledge Distillation im Kontext der unsupervised Anomalieerkennung und betonen die Bedeutung der Merkmalsauswahl. Durch die Nutzung charakteristischer Merkmale und die Ausnutzung unterschiedlicher Modelle wollen wir die Relevanz einer sorgfältigen Auswahl und Nutzung von Merkmalen hervorheben, die speziell auf die Aufgabe der Anomalieerkennung abgestimmt sind. In diesem Beitrag wird ein neuartiger Ansatz basierend auf Dual-Model-Knowledge-Distillation für die Anomalieerkennung vorgestellt. Die vorgeschlagene Methode nutzt sowohl tiefe als auch flache Schichten, um verschiedene Arten semantischer Informationen zu integrieren.