教師-生徒ネットワークに基づく知識蒸留は、困難な非教師あり異常検出（Unsupervised Anomaly Detection）タスクにおける主流の解決手法の一つであり、教師ネットワークと生徒ネットワークの表現能力の差を利用して異常の局所化を実現している。しかし、生徒ネットワークが教師ネットワークに過剰に一般化してしまうと、異常領域における表現能力の差が微小になり、結果として検出性能が低下するリスクが生じる。従来の手法は、構造的視点から異なる構造の生徒・教師ネットワークを用いるか、内容的視点から蒸留情報の拡張を明示的に実施することで、過剰一般化の可能性に対処しているが、これらは必然的に生徒ネットワークの過小適合（underfitting）のリスクを高め、異常領域の中心部や境界部における異常検出能力の低下を引き起こす。本研究では、非教師あり異常検出のための「二重モデリング分離蒸留（Dual-Modeling Decouple Distillation, DMDD）」を提案する。DMDDでは、初期の生徒特徴を「正常性特徴」と「異常性特徴」に分離する「分離型生徒-教師ネットワーク」を導入する。さらに、正常-異常画像ペアに基づく二重モデリング蒸留を提案し、異常画像の正常性特徴と対応する正常画像の教師特徴をそれぞれ適合させることで、異常領域における異常性特徴と教師特徴の距離を拡大する。この二つの蒸留アプローチを統合することで、異常領域の中心部と境界部の両方に焦点を当てた異常検出を実現する。最終的に、複数のアテンション機構を用いたマルチペルセプションセグメンテーションネットワークを設計し、焦点を当てた異常マップの融合を実現する。MVTec ADデータセットにおける実験結果から、DMDDは従来の知識蒸留に基づく手法の最先端（SOTA）性能を上回り、ピクセル単位のAUCで98.85%、PROスコアで96.13%を達成した。