上記のタスクを教師なし学習で行うための情報理論を用いて潜在的なCodeを関連付け、それらを分離する手法を提案。また、FineGANによって学習された特徴量は、リアル画像をgine-grainedなクラス分類にも応用することが可能である。オブジェクトに関しては、Parent stageとChild stageの二段階での生成を行い、前者で形状の情報、後者でテクスチャ等の外観の詳細を生成した。

犬、鳥、車を対象として、提案されたFineGANを用いることで、狙いどうりのバックグラウンド、オブジェクトの形状、オブジェクトのアピアランスの三つに分割することができたことを確認。また、画像分類にも応用した結果、既存のベースライン手法よりも優れていることが分かった。

Code: https://github.com/kkanshul/finegan