Kingma y Welling (2014) presentaron el autocodificador variacional, que entrena un codificador para proyectar los datos en un espacio latente probabilístico continuo y un decodificador para reconstruirlos, lo que permite tanto la compresión como la generación de muestras nuevas. Su aportación clave fue una forma práctica de entrenar estos modelos con descenso de gradiente (el truco de reparametrización).
Los VAE influyeron en métodos generativos posteriores y sustentan partes de sistemas actuales como los generadores de imágenes por difusión latente.