Wir präsentieren ein neues generatives Autoencoder-Modell mit zwei widersprüchlich gegensätzlichen Verlustfunktionen, das die Leistung von generativen Autoencodern verbessert, die gleichzeitig Inferenz (Rekonstruktion) und Synthese (Sampling) durchführen. Unser Modell, benannt als Dual Contradistinctive Generative Autoencoder (DC-VAE), integriert eine instanzbasierte diskriminative Verlustfunktion (die die Instanzgenauigkeit bei Rekonstruktion und Synthese gewährleistet) mit einer mengenbasierten adversarialen Verlustfunktion (die die Mengengenauigkeit bei Rekonstruktion und Synthese fördert), wobei beide Verlustfunktionen widersprüchlich gegensätzlich sind. Ausführliche experimentelle Ergebnisse von DC-VAE bei verschiedenen Auflösungen – einschließlich 32×32, 64×64, 128×128 und 512×512 – werden vorgestellt. Die beiden widersprüchlich gegensätzlichen Verlustfunktionen arbeiten in DC-VAE harmonisch und führen zu einer signifikanten qualitativen und quantitativen Verbesserung gegenüber Basis-VAEs, ohne dass architektonische Änderungen erforderlich sind. Zustandsbeste oder wettbewerbsfähige Ergebnisse im Vergleich zu anderen generativen Autoencodern bei der Bildrekonstruktion, Bildsynthese, Bildinterpolation und Repräsentationslernen werden beobachtet. DC-VAE ist ein allgemein verwendbares VAE-Modell, das sich für eine Vielzahl von Anwendungen in der Computer Vision und maschinellen Lernens eignet.