ALI比GAN的优势在哪里？

本文参考：Adversarially Learned Inference，（2017.2）作者：Vincent Dumoulin（MILA, Université de Montréal,）
原文：https://ishmaelbelghazi.github.io/ALI/

生成模型有三种：（1）VAE，（2）GAN，（3）Autoregressive approaches (这个方法我还没有学习过)。这三种方法皆有优缺点：
1、VAE，image samples from VAE-trained models tend to be blurry，即VAE生成的图像较模糊；
2、GAN，GAN-based approaches represent a good compromise: they learn a generative model that produces higher-quality samples than the best VAE techniques without sacrificing sampling speed and also make use of a latent representation in the generation process. However, GANs lack an efficient inference mechanism, which prevents them from reasoning about data at an abstract level.
3、Autoregressive approaches据文中说是生成效果不错，就是计算量太大，处理得太慢。
ALI（Adversarially Learned Inference，对抗性推断学习）模型的目标是将VAE和GAN联系起来，同时具备速度快、质量好，而且能有效推断。
此处的“有效推断”是什么？就是给定x（数据集样本），产生了什么z（隐变量），即得到以下叙述中的概率分布 $q(\mathbf z \vert \mathbf x)$。GAN是由z产生x，它不管给定x产生什么z，没有从x到z的推断过程。现在ALI采用了VAE的编码器和解码器结构，于是便具有了此项推断功能，同时，它的训练过程与传统VAE不同，采用的是GAN那样的纳什均衡方式的训练方法，因此说：ALI具有VAE的实现架构，又有GAN的训练方法。实现框架提供了推断方法，训练方法提供了高质量的生成过程。具体如图1：

图1 ALI模型

• 图1中左边为Encoder：样本 $\mathbf x$ 从经验分布 $q(\mathbf x)$ 抽样出来，经过Encoder的映射
  $G_z(\mathbf x)$ 得到条件分布 $q(\mathbf z \vert \mathbf x)$，从中抽样出 $\hat {\mathbf z}$，由此形成一个联合分布$q(\mathbf x, \hat {\mathbf z})$，有 $q(\mathbf x, \hat {\mathbf z}) = q(\mathbf x)q(\mathbf {\hat z} \vert \mathbf x)$；
• 图1右边为Decoder：已知一个分布 $\mathbf z \sim p(\mathbf z)$，例如：$p(\mathbf z)=N(\mathbf 0, \mathbf I)$ 标准正态分布。从该分布中抽样出一个样本$\mathbf z$，经过Decoder映射$G_x(\mathbf z)$得到一个条件分布 p(x