Voer duizenden gezichtsfoto's aan een variationele autoencoder en deze leert een gecomprimeerde kaart van hoe gezichten eruitzien, waarna hij nieuwe gezichten genereert die nog nooit eerder hebben bestaan. Het model behoort tot de familie van generatieve modellen en onderscheidt zich door een probabilistische variant op de gewone autoencoder.

Een standaard autoencoder comprimeert de invoer tot een vaste vector en reconstrueert deze. Een VAE codeert daarentegen elke invoer als een verdeling, meestal een gemiddelde en een variantie, en trekt vervolgens een steekproef uit die verdeling voordat de gegevens worden gedecodeerd. Deze afgedwongen willekeurigheid maakt de latente ruimte gladder, zodat punten die dicht bij elkaar liggen, vergelijkbare uitvoer opleveren, waardoor interpolatie en sampling zinvol worden.

Belangrijkste ingrediënten

• Een encoder-netwerk dat parameters van een latente distributie uitvoert.
• Een bemonsteringsstap waarbij de herparameteriseringstruc wordt gebruikt om de gradiënten te laten doorstromen.
• Een decodernetwerk dat de invoer reconstrueert uit een bemonsterde latente vector.
• Een verliesfunctie die de reconstructiefout combineert met een KL-divergentieterm die de latente ruimte regulariseert.

VAE's produceren wazigere beelden dan GAN's, maar hun latente ruimtes zijn gestructureerder en gemakkelijker te navigeren. Die afweging maakt ze populair voor geneesmiddelenonderzoek, anomaliedetectie en elke taak waarbij een vloeiende, interpreteerbare representatie belangrijker is dan pixelperfecte scherpte.