一篇GAN與AE結合的文章，用於探索AE相較GAN的生成能力和解耦表示。構建了兩種AE：MLP和StyleGAN。結構如下：
把原生GAN中的G分解為F與G的映射，D分解為E與D的映射：
F是一個確定性的映射，將噪聲z編碼成隱變量w。 E和G是隨機的，G同時取決於隱變量w和噪聲的輸入。E將生成的圖像進行編碼，然后約束由F生成的分布與由E生成的分布盡可能詳盡。這樣給定w就可以生成圖像，給定圖像就可以編碼w。在推理時就可以實現重構。可以看到公式7約束的就是隱變量空間w的相似度，而非約束原生AE中的圖像（數據空間）相似度。
上式即為目標函數。相比BiGAN重構效果不太受到label filp的影響：
對比在Z空間插值和直接在W空間插值的結果：后者更平滑，較為分離。
基於StyleGan的結構：
各級風格特征（均值方差）經過一個線性層來聚合后放到GAN里，此時的E就可以編碼風格，重建效果：
