La segmentation sémantique non supervisée (USS) vise à découvrir et reconnaître des catégories significatives sans aucune étiquette. Pour une USS réussie, deux capacités clés sont nécessaires : 1) la compression d'information et 2) la capacité de clustering. Les méthodes précédentes ont reposé sur la réduction de la dimensionnalité des caractéristiques pour la compression d'information, mais cette approche peut entraver le processus de clustering. Dans cet article, nous proposons un nouveau cadre USS appelé Expand-and-Quantize Unsupervised Semantic Segmentation (EQUSS), qui combine les avantages des espaces de haute dimension pour un meilleur clustering et la quantification produit pour une compression d'information efficace. Nos expériences approfondies montrent que EQUSS obtient des résultats de pointe sur trois benchmarks standards. De plus, nous analysons l'entropie des caractéristiques USS, ce qui constitue la première étape vers une compréhension de l'USS sous l'angle de la théorie de l'information.