Les Réseaux de Génération Adversariaux (GANs) ont récemment démontré leur capacité à approximer avec succès des distributions de données complexes. Une extension pertinente de ce modèle est les GANs conditionnels (cGANs), où l'introduction d'informations externes permet de déterminer des représentations spécifiques des images générées. Dans cette étude, nous évaluons des encodeurs pour inverser la cartographie d'un cGAN, c'est-à-dire pour mapper une image réelle dans un espace latent et une représentation conditionnelle. Cela permet, par exemple, de reconstruire et modifier des images réelles de visages en fonction d'attributs arbitraires. De plus, nous évaluons la conception des cGANs. La combinaison d'un encodeur avec un cGAN, que nous appelons GAN conditionnel inversible (IcGAN), permet de régénérer des images réelles avec des modifications complexes déterministes.