이미지 내 이상 탐지는 실시간 컴퓨터 비전 응용 분야에서 특히 중요한 과제이다. 본 연구에서는 계산 효율성을 중시하며, 현대 GPU에서 이미지를 1밀리초 미만의 시간에 처리할 수 있는 경량 특징 추출기를 제안한다. 이후 학습자-교사(student-teacher) 접근법을 활용하여 이상 특징을 탐지한다. 정상(즉, 이상이 없는) 훈련 이미지의 추출 특징을 예측하도록 학습자 네트워크를 훈련시킨다. 테스트 시점에서 이상을 탐지하는 원리는 학습자가 해당 이미지의 특징을 제대로 예측하지 못할 때 발생한다. 본 연구에서는 정상 이미지 외의 데이터에 대해 교사 특징 추출기를 단순히 모방하는 것을 억제하는 훈련 손실 함수를 제안한다. 이는 학습자-교사 모델의 계산 비용을 극적으로 감소시키면서도 이상 특징 탐지 성능을 향상시킬 수 있게 한다. 또한, 정상적인 국소적 특징들의 유효하지 않은 조합을 포함하는 도전적인 논리적 이상(예: 객체의 잘못된 순서)을 탐지하는 문제에 대해 다룬다. 이러한 이상은 이미지를 전반적으로 분석하는 효율적인 오토인코더를 통합함으로써 탐지한다. 제안한 방법인 EfficientAD는 산업용 이상 탐지 데이터셋 컬렉션 3개에서 구성된 총 32개의 데이터셋에서 평가되었으며, 이상 탐지 및 정확한 위치 추정 측면에서 새로운 기준을 제시한다. 두 밀리초의 지연 시간과 초당 600장의 처리 속도를 유지하면서도 빠른 이상 처리가 가능하다. 낮은 오류율과 함께 이는 실세계 응용에 있어 경제적인 솔루션으로서의 가능성을 지니며, 향후 연구의 풍부한 기반을 제공한다.