导读
VAE 建立可微分的潜变量生成框架。对 AI 艺术史最重要的遗产是“latent space”逐渐从统计模型术语变成视觉生成文化中的核心概念：图像可以被压缩成潜在表示，并从该空间重新采样和重构。
查看大图 ↗所链接文献 PDF 的第 7 页，保留原图与原语言。页面版本以来源文件为准；后来的修订或重印日期不替代节点的历史日期。
Kingma & Welling · 原文献 · 图像权利归原权利人；不视为开放许可
资料出处 · Auto-Encoding Variational Bayes ↗档案研究说明
如何学会一个可以生成的潜在空间
ANTI-AI ARCHIVE · 修订 2026-10-02
研究方法与具体变化
Kingma 与 Welling 处理的是带有连续潜变量的概率模型：真实后验难以计算时，怎样有效推断和训练？论文使用近似推断模型，并通过重参数化构造可用随机梯度优化的目标。编码器与生成模型由此形成可训练的关系，而不是简单将图片缩小再放大。
本节依据: 自编码变分贝叶斯：资料依据
在艺术史中的位置
编者解释：潜在空间为插值、变体与压缩表示提供条件，但空间中的距离不天然等于人类感受到的风格距离。研究艺术家使用潜变量时，需要说明所用模型、选择方式及输出过程，不能只把“潜空间”当作神秘灵感来源。
本节依据: 自编码变分贝叶斯：资料依据
正文引用资料
核读作者或会议页面的摘要与版本记录；未通读全部证明或复现实验。
本篇按引用范围扩写档案说明；研究解释不应被理解为原作者的自述或已证实的因果影响。 正文与译文使用 AI 辅助，尚未经独立人工审校；分节引文标明依据，不代表已独立验证全部史实。
带着问题继续阅读
比较本条与神经离散表征学习：VQ-VAE之间的制作方法、控制方式或展示语境。
比较本条与潜在扩散模型之间的制作方法、控制方式或展示语境。
日期与版本记录
节点标注日期：2013 · 来源记录的历史日期：2013
以上日期属于历史事件或资料所记版本，不是本站页面的上线日期；保留原有日期精度与待核事项。
原始资料与进一步阅读
以下链接通往来源的论文、文章、机构或会议页面。外部原文的语言以来源为准。
出处、翻译与核验状态
主线节点 #078 · 历史节点
研究资料与补充出处 · 1
AI 艺术谱系研究母版 · p. 15 · 044
原记日期: 2013
自编码变分贝叶斯 ↗
Auto-Encoding Variational Bayes
站内说明依据所列研究资料撰写，非外链全文译本；AI 辅助翻译，待独立人工审校。
母版研究论述与日期尚待独立核验。
引用本节点
ANTI-AI ARCHIVE. 自编码变分贝叶斯. 艺术史节点 #078. https://salondesrefuses.cn/zh/art-history/044
引用具体史实时，请同时引用上方原始资料，并补充你的访问日期。本站说明不是外链全文译本。
相邻节点按时间顺序排列，不意味着二者存在直接影响或因果关系。