Nous étudions le problème de la découverte et de la segmentation non supervisée des parties d'objets, qui, en tant que représentation locale intermédiaire, sont capables de trouver la structure intrinsèque des objets et de fournir des résultats de reconnaissance plus explicables. Les méthodes non supervisées récentes ont considérablement réduit la dépendance aux données annotées, qui sont coûteuses à obtenir, mais s'appuient encore sur des informations supplémentaires telles que les masques de segmentation d'objets ou les cartes de saillance. Pour éliminer cette dépendance et améliorer davantage les performances de segmentation des parties, nous développons une nouvelle approche en dissociant les représentations d'apparence et de forme des parties d'objets, suivie par des pertes de reconstruction sans utiliser d'informations supplémentaires sur les masques d'objets. Pour éviter les solutions dégénérées, un bloc bottleneck est conçu pour comprimer et dilater la représentation d'apparence, conduisant ainsi à une dissociation plus efficace entre la géométrie et l'apparence. Associée à une perte de classification partielle auto-supervisée et à une contrainte améliorée de concentration géométrique, notre méthode permet de segmenter des parties plus cohérentes dotées de significations sémantiques. Des expériences exhaustives menées sur une grande variété d'objets tels que des visages, des oiseaux et des objets PASCAL VOC montrent l'efficacité de la méthode proposée.