Wir schlagen FineGAN vor, ein neues unüberwachtes GAN-Framework, das Hintergrund, Objektform und Objektaussehen entkoppelt, um Bilder von feingranularen Objektkategorien hierarchisch zu generieren. Um die Faktoren ohne Überwachung zu entkoppeln, ist unsere Kernidee, die Informationstheorie zu verwenden, um jeden Faktor einem latenten Code zuzuordnen, und die Beziehungen zwischen den Codes auf eine spezifische Weise zu konditionieren, um die gewünschte Hierarchie zu erzeugen. Durch umfangreiche Experimente zeigen wir, dass FineGAN die gewünschte Entkopplung erreicht und realistische und vielfältige Bilder erstellt, die feingranularen Klassen von Vögeln, Hunden und Autos zugehören. Unter Verwendung der automatisch gelernten Merkmale von FineGAN klammern wir auch reale Bilder zusammen als ersten Versuch zur Lösung des neuen Problems der unüberwachten feingranularen Objektkategorieentdeckung. Unser Code/Modelle/Demo kann unter https://github.com/kkanshul/finegan gefunden werden.