변분 오토인코더에 수천 장의 얼굴 사진을 입력하면, 얼굴의 특징을 압축적으로 학습한 후, 이전에 존재하지 않았던 새로운 얼굴을 생성합니다. 이 모델은 생성형 오토인코더 계열에 속하며, 일반 오토인코더에 확률적 요소를 가미한 것이 특징입니다.

일반적인 오토인코더는 입력을 고정된 벡터로 압축한 후 이를 재구성합니다. 반면, VAE는 각 입력을 분포(일반적으로 평균과 분산)로 인코딩한 다음, 디코딩 전에 해당 분포에서 샘플링합니다. 이러한 강제적인 무작위성은 잠재 공간을 평활화하여 인접한 점들이 유사한 출력으로 디코딩되도록 함으로써 보간과 샘플링을 의미 있게 만듭니다.

주요 성분

• 잠재 분포의 매개변수를 출력하는 인코더 네트워크
• 기울기 흐름을 유지하기 위해 재매개변수화 기법을 사용하는 샘플링 단계
• 샘플링된 잠재 벡터로부터 입력을 재구성하는 디코더 네트워크
• 재구성 오류와 잠재 공간을 정규화하는 KL 발산 항을 ​​결합한 손실 함수

VAE는 GAN보다 흐릿한 이미지를 생성하지만, 잠재 공간이 더 구조화되어 있고 탐색하기 쉽습니다. 이러한 장단점 때문에 VAE는 신약 개발, 이상 탐지, 그리고 픽셀 단위의 선명도보다 부드럽고 해석 가능한 표현이 더 중요한 모든 작업에서 널리 사용됩니다.