نقدم نموذجًا جديدًا للـ autoencoder التوليدي يعتمد على خسائر مزدوجة متناقضة لتقوية الأداء في النماذج التوليدية التي تقوم في نفس الوقت بالاستدلال (إعادة البناء) والتركيب (الاستخلاص العشوائي). يُسمى نموذجنا بالـ dual contradistinctive generative autoencoder (DC-VAE)، وهو يدمج بين خسارة تمييزية على مستوى المثال (لضمان الوفاء بالمستوى الفردي في إعادة البناء/التركيب) وخسارة معاكسة على مستوى المجموعة (لتشجيع الوفاء على المستوى الجماعي في إعادة البناء/التركيب)، مع كليهما متمايزين بشكل متناقض. تم عرض نتائج تجريبية واسعة النطاق باستخدام DC-VAE على مختلف الدقة، بما في ذلك 32×32 و64×64 و128×128 و512×512. تعمل الخسارتان المتناقضتان في نموذج VAE بشكل متناغم في DC-VAE، مما يؤدي إلى تحسين كبير من حيث الجودة والقياسات الكمية مقارنة بالنماذج الأساسية VAE دون الحاجة إلى تغيير البنية المعمارية. تم ملاحظة نتائج منافسة أو متفوقة على أحدث التقنيات ضمن النماذج التوليدية للـ autoencoder في مجالات إعادة بناء الصور، وتركيب الصور، والتداخل بين الصور، وتعلم التمثيل. يُعد DC-VAE نموذجًا عامًا للـ VAE، ويمكن تطبيقه على مجموعة واسعة من المهام اللاحقة في مجالات الرؤية الحاسوبية والتعلم الآلي.