GAN 和 VAE 的本质区别是什么？为什么两者总是同时被提起？

GAN（Generative Adversarial Networks）和VAE（Variational Autoencoder）都是生成模型，但它们的本质区别在于生成样本的方式不同。

GAN是一种基于对抗训练的生成模型，通过训练一个生成器网络和一个判别器网络来实现生成样本的目的。生成器网络用于生成样本，判别器网络用于判断生成的样本是否真实。在训练过程中，生成器网络和判别器网络相互对抗，不断地提高自己的性能。GAN的生成样本质量通常比VAE更高，但训练过程更加复杂。

VAE是一种基于变分推断的生成模型，它通过将样本映射到一个潜在空间中，并在潜在空间中进行采样来生成新的样本。VAE的训练过程包括两个阶段：编码阶段和解码阶段。在编码阶段，将样本映射到潜在空间中，得到一个概率分布；在解码阶段，从概率分布中采样得到新的样本。VAE的生成样本质量可能比GAN略低，但训练过程相对简单。

两者总是同时被提起，是因为它们都是生成模型，都可以用于生成新的样本。同时，它们也有很多相似之处，例如都需要解决潜在空间的设计和采样等问题。此外，GAN和VAE也可以结合使用，例如使用VAE来生成初始样本，然后使用GAN来进一步提高样本质量。