向變分自編碼器輸入數千張人臉照片，它就能學習到一張壓縮的人臉特徵圖，然後產生從未存在過的新人臉。此模型屬於生成模型，其顯著特徵是對普通自編碼器進行機率性改進。

標準的自編碼器將輸入壓縮成一個固定的向量並進行重構。而變分自編碼器（VAE）則將每個輸入編碼為一個分佈（通常包含平均值和變異數），然後在解碼前從該分佈中進行取樣。這種強制隨機性使得潛在空間更加平滑，相鄰的點解碼後得到相似的輸出，從而使插值和取樣更有意義。

主要成分

• 輸出潛在分佈參數的編碼器網絡
• 使用重參數化技巧進行採樣步驟，以保持梯度流動。
• 解碼器網絡，用於從採樣的潛在向量中重構輸入。
• 一種損失函數，它結合了重構誤差和KL散度項，用於正則化潛在空間。

與生成對抗網路（GAN）相比，變分自編碼器（VAE）生成的圖像更模糊，但它們的潛在空間結構更清晰，更容易理解。這種權衡使得VAE在藥物發現、異常檢測以及任何需要平滑、可解釋的表示而非像素級清晰度的任務中都備受歡迎。