TopDis (Topological Disentanglement)는 다중 스케일 위상 손실 항을 추가하여 얽히지 않은 표현을 학습하는 방법을 제안합니다. 기존의 VAE 기반 방법과 달리, 데이터 다양체의 위상적 특성을 분석하여 얽힘 해소에 접근합니다. 특히, 데이터 다양체 횡단에 대한 위상적 유사성을 최적화합니다. 미분 가능한 위상 손실을 사용하여 얽힘 해소 학습을 수행하며, MIG, FactorVAE score, SAP score, DCI disentanglement score 등의 지표에서 최첨단 결과를 능가하는 얽힘 해소 성능을 보입니다. 재구성 품질 또한 유지하며, 비지도 학습 방식으로 상호 연관된 변화 요인이 있는 경우에도 효과적입니다. 또한, 훈련된 GAN에서 얽히지 않은 방향을 찾는 데에도 활용 가능성을 보여줍니다.
