画像をその部分に分割することは、画像編集などの高レベルな視覚タスクの前処理として頻繁に行われます。しかし、教師あり学習のためのマスクのアノテーションはコストが高く、弱教師ありや非教師あり手法が存在しますが、これらはマルチビュー、ビデオのフレーム、画像増強などの画像ペアの比較に依存しており、適用範囲が制限されています。この問題に対処するため、我々は潜在的なマスクに基づいて画像を生成するGAN（Generative Adversarial Network）ベースのアプローチを提案します。これにより、従来の手法で必要とされていた完全なまたは弱いアノテーションが軽減されます。我々は実験を通じて、マスクを潜在的なキーポイント（部位の位置を明示的に定義する）に基づいて階層的に条件付けすることで、忠実にマスク条件付き画像生成を学習できることを示しました。マスクやキーポイントの監督なしで、この戦略は視点や物体位置の変化に対する堅牢性を向上させます。また、セグメンテーションネットワークを訓練するために画像とマスクのペアを生成し、既存のベンチマークにおいて最先端の非教師ありセグメンテーション手法よりも優れた性能を達成しています。