一篇GAN与AE结合的文章，用于探索AE相较GAN的生成能力和解耦表示。构建了两种AE：MLP和StyleGAN。结构如下：
把原生GAN中的G分解为F与G的映射，D分解为E与D的映射：
F是一个确定性的映射，将噪声z编码成隐变量w。 E和G是随机的，G同时取决于隐变量w和噪声的输入。E将生成的图像进行编码，然后约束由F生成的分布与由E生成的分布尽可能详尽。这样给定w就可以生成图像，给定图像就可以编码w。在推理时就可以实现重构。可以看到公式7约束的就是隐变量空间w的相似度，而非约束原生AE中的图像（数据空间）相似度。
上式即为目标函数。相比BiGAN重构效果不太受到label filp的影响：
对比在Z空间插值和直接在W空间插值的结果：后者更平滑，较为分离。
基于StyleGan的结构：
各级风格特征（均值方差）经过一个线性层来聚合后放到GAN里，此时的E就可以编码风格，重建效果：
