我们提出了一种生成对抗网络的替代生成器架构，借鉴了风格迁移领域的研究成果。新的架构实现了对高层次属性（例如在训练人类面部时的姿态和身份）和生成图像中的随机变化（例如雀斑、头发）的自动学习和无监督分离，并且它能够实现直观的、尺度特定的合成控制。新生成器在传统的分布质量度量方面提升了现有技术水平，展示了更好的插值特性，并且更好地解耦了潜在的变化因素。为了量化插值质量和解耦效果，我们提出了两种新的自动化方法，这些方法适用于任何生成器架构。最后，我们引入了一个新的、高度多样化且高质量的人脸数据集。