Nous proposons FineGAN, un nouveau cadre de GAN non supervisé, qui sépare le fond, la forme de l'objet et l'apparence de l'objet pour générer hiérarchiquement des images de catégories d'objets à grain fin. Pour séparer ces facteurs sans supervision, notre idée clé est d'utiliser la théorie de l'information pour associer chaque facteur à un code latent, et de conditionner les relations entre les codes d'une manière spécifique afin d'induire la hiérarchie souhaitée. À travers des expériences approfondies, nous montrons que FineGAN atteint la désentrelacement souhaité pour générer des images réalistes et diverses appartenant à des classes à grain fin d'oiseaux, de chiens et de voitures. En utilisant les caractéristiques apprises automatiquement par FineGAN, nous regroupons également des images réelles dans une première tentative pour résoudre le problème novateur de la découverte non supervisée des catégories d'objets à grain fin. Notre code/modèles/démonstration peut être trouvé à l'adresse suivante : https://github.com/kkanshul/finegan