變分自編碼器（Variational AutoEncoder，VAE）是一種結合了自編碼器和機率圖模型思想的生成模型。其核心思想是學習數據的高維輸入空間和低維潛在空間之間的映射關係。VAE由兩部分組成：編碼器（Encoder）和解碼器（Decoder）。
編碼器負責將輸入數據映射到潛在空間中的分布，而解碼器則從潛在空間中採樣以生成新的數據樣本。在VAE中，潛在空間被假設為一個高斯分布，通過在由編碼器確定的分布中採樣結果作為解碼器的輸入，可以對輸入圖像進行重建。這種生成方式不僅能夠生成新的數據，還能夠在潛在空間中進行插值和操作，提供了強大的特徵學習和數據生成能力。
與其他生成模型如GAN（Generative Adversarial Networks）相比，VAE有更完備的數學理論支持，其訓練相對容易。VAE通過向潛在特徵加入噪音，使得編碼器能夠對於潛在特徵發生變化的輸入也具有一定的處理能力，從而保證了其生成圖像的合理性。