生成对抗网络如今被广泛使用在图片生成、风格迁移、语义操控等领域,相比于传统方法,基于深度学习的生成对抗网络取得了较为明显的领先。然而,由于生成对抗网络的高复杂度,虽然它能生成逼真且清晰的图片,但人类对它们的生成机制了解尚且还不够。本文将介绍一种全新理解生成对抗网络的角度,在训练好的生成对抗网络中间层嵌入了一层自表达层,利用中间层通道之间的重构相似性来训练自表达层,学习到了中间层通道之间的相似矩阵。相似矩阵包含了通道之间的相似性,可以利用谱聚类将中间层通道聚类成不同的“子空间”。实验发现子空间和生成对抗网络的生成图片有密切的相关性,不同的子空间控制着生成图片的不同属性,这为生成对抗网络的可解释性研究提供了一个方向。同时本文将子空间和生成器的逆生成任务结合在一起,提出了基于先验多子空间特征融合模型（Prior multi-Subspace Feature Composition,Pm SFC）,在图像上色、图像超分辨以及图像属性操控等多个图像增强任务中里面取得高清的效果。接着本文提出了一个同概率密度移动模型（Density-preserving Traversing,DPT）,其中一个概率密度估计模块能用来拟合未知的概率分布,通过一个偏差修正模块来修正采样点在隐空间线性移动过程中偏离分布的情况。最后,本文还研究了基于子空间修正的特征方向学习（Subspace-filtered Directions Learning,Sf DL）,在生成对抗网络中找到了生成图片的可解释性特征方向。同时用特征方向构造的新训练分布有利于子空间的进一步优化。通过以上提出的模型,本文为可解释性生成对抗网络的研究提供了一个切实可行的思路和实践方法。