Generative Adversarial Networks (GANs) haben kürzlich gezeigt, dass sie komplexe Datenverteilungen erfolgreich approximieren können. Eine relevante Erweiterung dieses Modells sind bedingte GANs (cGANs), bei denen die Einführung externer Informationen es ermöglicht, spezifische Darstellungen der generierten Bilder zu bestimmen. In dieser Arbeit bewerten wir Encoder zur Umkehrung der Abbildung eines cGANs, d.h., das Abbilden eines realen Bildes in einen latenten Raum und eine bedingte Darstellung. Dies ermöglicht beispielsweise die Rekonstruktion und Modifikation realer Gesichtsbilder unter Berücksichtigung beliebiger Attribute. Zudem untersuchen wir das Design von cGANs. Die Kombination eines Encoders mit einem cGAN, die wir als invertierbares cGAN (IcGAN) bezeichnen, ermöglicht es, reale Bilder mit deterministischen komplexen Änderungen erneut zu generieren.