Kingma & Welling (2014) stellten den Variational Autoencoder vor: Ein Encoder wird darauf trainiert, Daten in einen kontinuierlichen probabilistischen latenten Raum abzubilden, und ein Decoder darauf, sie zu rekonstruieren – das ermöglicht sowohl Kompression als auch die Erzeugung neuer Beispiele. Der entscheidende Beitrag war ein praktikabler Weg, solche Modelle mit Gradientenabstieg zu trainieren (der Reparametrisierungstrick).
VAEs haben spätere generative Verfahren beeinflusst und bilden die Grundlage für Teile moderner Systeme wie Latent-Diffusion-Bildgeneratoren.