LLLMWIKI
ArticleMetadataMain page

Source note · Updated 2026-07-14

Auto-Encoding Variational Bayes变分自编码器与重参数化

#near-cvpr-2025#image-generation#representation-learning#primary-source

VAE：变分推断与可生成潜空间

一句话结论

VAE 用摊销变分推断和重参数化技巧联合训练编码器与生成模型，使连续潜变量模型可以用随机梯度高效学习。

问题定义

当潜变量后验不可解析时，怎样在大规模数据上联合学习生成参数与每个样本的近似后验？

方法概述

编码器输出近似后验参数，重参数化产生可微潜变量，解码器重建/生成；训练最大化 ELBO，平衡数据拟合与先验约束。

关键发现

  • 随机潜变量可以通过重参数化进入反向传播。
  • 共享编码器把逐样本变分优化变成摊销推断。
  • 潜空间可采样，但可解释性并非自动获得。

局限或疑问

  • ELBO 受近似后验与解码分布限制。
  • 后验坍塌与感知平滑取决于目标和架构。
  • 经典 VAE 与 LDM 的自编码第一阶段不能直接等同。

原始链接

相关页面

Metadata
{
  "id": "2026-07-14-vae",
  "type": "source",
  "title": "Auto-Encoding Variational Bayes：变分自编码器与重参数化",
  "status": "reviewed",
  "created": "2026-07-14",
  "updated": "2026-07-14",
  "venue": "ICLR 2014",
  "ingested_at": "2026-07-14",
  "tags": [
    "near-cvpr-2025",
    "image-generation",
    "representation-learning",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Diederik P. Kingma",
    "Max Welling"
  ],
  "published_at": "2014-01-01",
  "canonical_links": [
    "https://arxiv.org/abs/1312.6114",
    "https://arxiv.org/pdf/1312.6114"
  ],
  "raw_entry": "raw/ingest/2026-07-14-vae/",
  "analysis_note": "raw/ingest/2026-07-14-vae/analysis.md",
  "topics": [
    "topics/visual-generation-foundations"
  ],
  "entities": [],
  "claims": [],
  "questions": []
}