A diferencia de un autoencoder tradicional, un autoencoder variacional (VAE) aprende una distribución de probabilidad sobre el espacio comprimido de los datos, en lugar de un único punto fijo. Esto permite “muestrear” nuevos puntos de esa distribución y generar contenido nuevo y coherente, no solo reconstruir lo que ya existía.
Su lugar en la IA generativa
Los VAE fueron uno de los primeros enfoques serios para generación de imágenes mediante deep learning, antes del auge de las GAN y, más tarde, de los modelos de difusión, que en la práctica los superaron en calidad visual para la mayoría de las aplicaciones actuales.