Kingma e Welling (2014) apresentaram o autoencoder variacional, que treina um codificador para mapear os dados em um espaço latente probabilístico contínuo e um decodificador para reconstruí-los, permitindo tanto a compressão quanto a geração de novas amostras. A principal contribuição foi uma forma prática de treinar esses modelos com gradiente descendente (o truque da reparametrização).
Os VAEs influenciaram métodos generativos posteriores e servem de base para partes de sistemas modernos, como os geradores de imagem por difusão latente.