---
title: "變分自編碼器（Variational Autoencoder）"
slug: variational-autoencoder
language: zh-TW
source: https://aiterms.tw/terms/variational-autoencoder
updated_at: 2026-04-29
tags: [生成式AI, 深度學習, 神經網路]
ipas_term: true
---

# 變分自編碼器（Variational Autoencoder）

> **你有沒有想過，不只把資料壓縮，再把它重新長出來，還能順便學會「生成」？**
> 你可以把變分自編碼器想成「會把資料壓進潛在空間，再從那裡抽樣生成新內容」
> 它不是只記住一個答案，而是學一整個可以取樣的分布
> 所以它很適合做生成和表示學習
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **變分自編碼器 vs 自編碼器**
> 自編碼器主要做壓縮和重建
> 變分自編碼器還會學分布並做抽樣
> 最關鍵的區別：能不能生成新樣本
>
> **變分自編碼器 vs 生成對抗網路**
> VAE 直接優化重建和分布
> GAN 用對抗訓練拉近真假差距
> 最關鍵的區別：訓練目標不同
>
> **變分自編碼器 vs 擴散模型**
> VAE 走潛在空間重建路線
> 擴散模型走去噪生成路線
> 最關鍵的區別：生成機制不同
>

### 記住這句就好
> 先壓進潛在空間，再從分布裡抽樣長回來。

### 實際案例
> **圖片生成**
> 把臉部圖片壓進潛在空間後，能從相近的位置抽樣出新臉，做出有連續感的變化
>
> **異常偵測**
> 模型若很難重建某張圖，常表示它和訓練資料分布差很多，可能是異常
>

### 算法與應用
> | 編碼器 | 把輸入壓成潛在表示 | 不只是單點，而是分布 |
> | 重參數化 | 讓抽樣可微分 | 是訓練關鍵技巧 |
> | 解碼器 | 從潛在表示重建資料 | 也能拿來生成 |
> | 潛在空間 | 用連續空間表示樣本 | 方便插值和取樣 |

### 情境判斷
> **Q1（直覺題）：你要做可插值的生成模型，變分自編碼器有幫助嗎？**
> → 有幫助，因為它的潛在空間通常比較連續。
>
> **Q2（判斷題）：你要追求最銳利最逼真的圖片，VAE 一定是最佳選擇嗎？**
> → 不一定，VAE 有時會偏平滑，這時其他生成法可能更強。
>
### 常見問題
> **Q：VAE 和自編碼器差在哪？**
> VAE 多了分布假設和抽樣能力，不只是重建。
>
> **Q：它為什麼叫變分？**
> 因為訓練時會用變分推論的想法來近似複雜分布。
>
> **Q：VAE 一定比 GAN 好嗎？**
> 不一定，兩者擅長的目標不同。
>

### 相關術語
> - **自編碼器**：先建立最基本的對照
> - **潛在空間**：理解 VAE 的核心概念一定要看它
> - **生成對抗網路**：最常被拿來比較的生成模型
> - **擴散模型**：現代生成方法的另一大路線

---

來源：https://aiterms.tw/terms/variational-autoencoder
快查頁：https://aiterms.tw/terms/variational-autoencoder
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-variational-autoencoder