オブジェクトの形状に固有な因子と、それ以外の因子を教師なしに分離する仕組み。 既知の変換で入力画像を拡張し、入力画像と変換画像を、意味的な潜在要因を因子とした多変量ガウス分布としてモデル化し二つの分布が類似するように強制することで精度をあげた。

二つの独自の電子顕微鏡データセット（2次元単粒子低温電子顕微鏡画像からタンパク質、3次元低温電子顕微鏡の構造不均一性のモデル化（ノイズの多い３Dデータ））で良好な性能

オブジェクトの多様性が既知の変換手法内にとどまるという前提はあるが、バイオ系の画像における教師なしの表現学習として非常に有望。