自编码器网络是一类无监督学习方法，旨在通过同时学习编码器-生成器映射，融合生成能力与表征学习特性。尽管该领域已得到广泛研究，但其生成能力是否与生成对抗网络（GAN）相当，以及能否学习到解耦表征等问题，仍未得到充分解答。为此，我们提出一种能够联合解决上述问题的自编码器架构，称为对抗潜在自编码器（Adversarial Latent Autoencoder, ALAE）。该架构具有通用性，可有效利用近年来在GAN训练技术方面的进展。我们设计了两种自编码器结构：一种基于多层感知机（MLP）编码器，另一种则基于StyleGAN生成器，后者被称为StyleALAE。我们验证了两种架构在表征解耦性方面的表现。实验表明，StyleALAE不仅能够生成与StyleGAN相当质量的1024×1024人脸图像，还能在相同分辨率下实现基于真实图像的面部重建与编辑操作。这使得ALAE成为首个在性能上可与仅含生成器的架构相媲美，甚至超越其能力的自编码器模型。