针对开放场景下无砟轨道异常样本难以全部覆盖的问题，提出了一种无需异常样本的无砟轨道表面异常分割方法。该方法结合图像特征分析与无监督学习框架，优化数据处理与特征学习过程，以提升检测精度与鲁棒性。首先，采用高亮特征分块策略将高分辨率图像分割为图像块，在保留结构信息的同时增强异常定位能力；其次，设计认知审查架构(Cognitive Review Architecture,CRA)，通过优化学习路径使教师网络的浅层特征不仅影响学生网络的对应层，还对其后续层的特征学习提供指导，提高表征一致性与判别能力；最后，引入多尺度注意力模块(Multi-Scale Attention Module,MSAM)，强化学生网络的去噪能力，使其提取的关键信息更接近教师网络的表征。实验结果表明，所提出的模型在构建的无砟轨道数据集上取得了出色的分割精度，图像级AUC(I-AUC)得分为99.72%，像素级平均精度(P-AP)为92.05%。该方法为开放场景下的无砟轨道异常检测提供了高精度、高鲁棒性的解决方案。
