私たちは物体部品の非監督的な発見とセグメンテーションの問題を研究しています。この中間的な局所表現は、物体の内在的な構造を見つけることができ、より説明可能な認識結果を提供します。最近の非監督的手法は、高コストで得られるアノテーションデータへの依存を大幅に緩和しましたが、物体セグメンテーションマスクやサリエンシーマップなどの追加情報に依然として依存しています。このような依存関係を取り除き、さらに部品セグメンテーションの性能を向上させるために、物体部品の外観と形状表現を分離し、追加の物体マスク情報を使わずに再構成損失を使用する新しい手法を開発しました。退化解を避けるため、ボトルネックブロックが設計され、外観表現を圧縮して拡大することで、幾何学と外観の間でのより効果的な分離が実現されます。自己監督的な部品分類損失と改善された幾何学集中制約との組み合わせにより、意味のあるより一貫した部品をセグメンテーションすることが可能になりました。顔や鳥、PASCAL VOCオブジェクトなど多様な物体に対する包括的な実験により、提案手法の有効性が示されています。