Les réseaux autoencodeurs constituent des approches non supervisées visant à combiner des propriétés génératives et représentationnelles en apprenant simultanément une application encodeur-générateur. Bien qu’abondamment étudiés, les questions relatives à leur pouvoir génératif comparé à celui des GAN (Generative Adversarial Networks), ou à leur capacité à apprendre des représentations désentrelacées, n’ont pas encore été entièrement résolues. Nous introduisons un autoencodeur qui aborde ces deux problématiques de manière conjointe, que nous appelons Adversarial Latent Autoencoder (ALAE). Il s’agit d’une architecture générale pouvant tirer parti des progrès récents dans les procédés d’entraînement des GAN. Nous avons conçu deux autoencodeurs : l’un basé sur un encodeur MLP, et l’autre fondé sur un générateur StyleGAN, que nous désignons par StyleALAE. Nous validons les propriétés de désentrelacement des deux architectures. Nous démontrons que StyleALAE est capable non seulement de générer des images faciales de résolution 1024×1024 avec une qualité comparable à celle de StyleGAN, mais aussi, à la même résolution, de produire des reconstructions et des manipulations faciales à partir d’images réelles. Cela fait de ALAE le premier autoencodeur pouvant non seulement être comparé, mais surpasser les capacités d’une architecture de type générateur unique.