एक वेरिएशनल ऑटोएनकोडर को हजारों चेहरे की तस्वीरें दें और यह चेहरों की बनावट का एक संक्षिप्त मानचित्र सीख लेगा, फिर ऐसे नए चेहरे उत्पन्न करेगा जो पहले कभी मौजूद नहीं थे। यह मॉडल जनरेटिव ऑटोएनकोडर परिवार से संबंधित है, और इसकी विशिष्ट विशेषता सामान्य ऑटोएनकोडर पर आधारित संभाव्यता आधारित तकनीक है।

एक मानक ऑटोएनकोडर इनपुट को एक निश्चित वेक्टर में संकुचित करता है और उसका पुनर्निर्माण करता है। इसके विपरीत, एक वीएई प्रत्येक इनपुट को एक वितरण के रूप में एन्कोड करता है, आमतौर पर एक माध्य और एक विचरण के रूप में, और फिर डिकोडिंग से पहले उस वितरण से नमूने लेता है। यह अनिवार्य यादृच्छिकता अव्यक्त स्थान को सुचारू बनाती है ताकि आस-पास के बिंदु समान आउटपुट में डिकोड हो सकें, जिससे इंटरपोलेशन और सैंपलिंग सार्थक हो जाती है।

मुख्य सामग्री

• एक एनकोडर नेटवर्क जो एक गुप्त वितरण के मापदंडों को आउटपुट करता है
• ग्रेडिएंट्स को प्रवाहित रखने के लिए रीपैरामीटराइजेशन तकनीक का उपयोग करते हुए एक सैंपलिंग चरण।
• एक डिकोडर नेटवर्क जो नमूनाकृत अव्यक्त वेक्टर से इनपुट का पुनर्निर्माण करता है
• एक हानि जो पुनर्निर्माण त्रुटि को केएल विचलन पद के साथ जोड़ती है जो अव्यक्त स्थान को नियमित करती है

VAE, GAN की तुलना में धुंधली छवियां उत्पन्न करते हैं, लेकिन उनके लेटेंट स्पेस अधिक संरचित और नेविगेट करने में आसान होते हैं। यह खूबी उन्हें दवा खोज, विसंगति पहचान और ऐसे किसी भी कार्य के लिए लोकप्रिय बनाए रखती है जहां पिक्सेल-परफेक्ट स्पष्टता की तुलना में एक सहज, व्याख्या योग्य प्रतिनिधित्व अधिक महत्वपूर्ण होता है।