Wir untersuchen das Problem der unüberwachten Entdeckung und Segmentierung von Objektteilen, die als intermediäre lokale Darstellung in der Lage sind, die intrinsische Struktur von Objekten zu erkennen und erklärbarere Klassifizierungsresultate zu liefern. Neueste unüberwachte Methoden haben die Abhängigkeit von annotierten Daten, die kostspielig zu beschaffen sind, erheblich verringert, aber sie basieren immer noch auf zusätzlichen Informationen wie Segmentierungsmasken oder Salienzkarten. Um diese Abhängigkeit zu beseitigen und die Leistung der Teilsegmentierung weiter zu verbessern, entwickeln wir einen neuen Ansatz, bei dem die Erscheinungs- und Formdarstellungen von Objektteilen getrennt werden, gefolgt von Rekonstruktionsverlusten ohne Verwendung zusätzlicher Objektmaskeninformationen. Um degenerierte Lösungen zu vermeiden, wird ein Bottleneck-Block entworfen, um die Erscheinungsdarstellung zu komprimieren und wieder auszudehnen, was zu einer effektiveren Trennung zwischen Geometrie und Erscheinung führt. In Kombination mit einem selbstüberwachten Teilklassifikationsverlust und einer verbesserten geometrischen Konzentrationsbedingung können wir konsistenter werdende Teile mit semantischer Bedeutung segmentieren. Ausführliche Experimente an einer Vielzahl von Objekten wie Gesichter, Vögel und PASCAL-VOC-Objekte zeigen die Effektivität des vorgeschlagenen Verfahrens.