Diese Arbeit stellt den Attribute-Decomposed GAN vor, ein neuartiges generatives Modell für die kontrollierbare Synthese menschlicher Bilder, das realistische Darstellungen von Personen mit gewünschten menschlichen Attributen (z. B. Pose, Kopf, Oberbekleidung und Hosen) erzeugen kann, basierend auf verschiedenen Eingabedaten. Der zentrale Ansatz des vorgeschlagenen Modells besteht darin, menschliche Attribute als unabhängige Codes in den Latentraum einzubetten, um so eine flexible und kontinuierliche Steuerung dieser Attribute durch Misch- und Interpolationsoperationen in expliziten Stilrepräsentationen zu ermöglichen. Konkret wird eine neue Architektur vorgeschlagen, die aus zwei Encoder-Pfaden mit Stilblock-Verbindungen besteht und die ursprüngliche schwierige Abbildung in mehrere zugänglichere Teilprobleme zerlegt. Im Quellpfad extrahieren wir zusätzlich Komponentenanordnungen mittels eines etablierten menschlichen Parser-Tools und führen diese in einen gemeinsamen globalen Textur-Encoder ein, um dekomponierte Latentcodes zu erzeugen. Diese Strategie ermöglicht die Synthese realistischerer Bilddaten und eine automatische Trennung nicht annotierter Attribute. Experimentelle Ergebnisse belegen die Überlegenheit des vorgeschlagenen Ansatzes gegenüber dem Stand der Technik bei der Pose-Übertragung sowie dessen Wirksamkeit bei der neuartigen Aufgabe der Komponenten-Attribut-Übertragung.