Berikan ribuan foto wajah ke autoencoder variasional dan ia akan mempelajari peta terkompresi tentang seperti apa rupa wajah, lalu menghasilkan wajah-wajah baru yang belum pernah ada sebelumnya. Model ini termasuk dalam keluarga generatif, dan fitur pembedanya adalah sentuhan probabilistik pada autoencoder biasa.

Autoencoder standar memampatkan input ke dalam vektor tetap dan merekonstruksinya. Sebaliknya, VAE mengkodekan setiap input sebagai distribusi, biasanya rata-rata dan varians, kemudian mengambil sampel dari distribusi tersebut sebelum melakukan decoding. Keacakan yang dipaksakan ini menghaluskan ruang laten sehingga titik-titik yang berdekatan didekodekan menjadi output yang serupa, yang membuat interpolasi dan pengambilan sampel menjadi bermakna.

Bahan-bahan utama

• Jaringan encoder yang menghasilkan parameter distribusi laten.
• Langkah pengambilan sampel menggunakan trik reparameterisasi untuk menjaga agar gradien tetap mengalir.
• Jaringan dekoder yang merekonstruksi input dari vektor laten yang diambil sampelnya.
• Suatu fungsi kerugian yang menggabungkan kesalahan rekonstruksi dengan suku divergensi KL yang meregulasi ruang laten.

VAE menghasilkan gambar yang lebih buram daripada GAN, tetapi ruang latennya lebih terstruktur dan lebih mudah dinavigasi. Kompromi tersebut membuat VAE tetap populer untuk penemuan obat, deteksi anomali, dan tugas apa pun di mana representasi yang halus dan mudah diinterpretasikan lebih penting daripada ketajaman piksel yang sempurna.