部件为物体提供了一种良好的中间表示形式，这种表示形式对相机视角、姿态和外观变化具有较强的鲁棒性。现有的部件分割研究主要依赖于大量手动标注数据的监督方法，因此无法泛化到未见过的物体类别。我们提出了一种自监督深度学习方法用于部件分割，设计了多个损失函数，以帮助预测几何上集中、对物体变化具有鲁棒性且在不同物体实例之间语义一致的部件段。广泛的实验表明，我们的方法能够在不同类型的图像集合中生成遵循物体边界且比现有自监督技术更具语义一致性的部件段。