本文综述以物体为中心的表征学习研究，涵盖因果表征学习、Slot Attention架构改进与稀疏扰动弱监督，以实现多物体属性解缠；基于组合性与不可约性假设分析无监督学习条件；深度生成模型无需姿态注释即可分离外观与姿态特征；双分支自编码器分离内容与风格；在五个多目标数据集上评估无监督模型的分割与下游属性预测，发现其对多数分布变化较稳健；并提出不依赖标注的属性解离方法及旋转等变卷积VAE。

我们提出了一种自编码器方法，通过重新组织 StyleGAN 的潜空间，实现属性解缠。实验证明了我们的方法在编辑能力上超越了竞争方法，同时在保持图像身份一致性方面具有高度准确性。