生成式 AI - AutoEncoder 與 VAE

1. 前言：除了對抗，還能怎麼生成？

昨天我們介紹了 GAN (生成對抗網路)，它透過「偽鈔犯 vs 警察」的激烈對抗來生成圖片。雖然 GAN 生成的圖片很逼真，但訓練很不穩定。

今天我們要介紹另一種生成模型家族：AutoEncoder (自編碼器) 與 VAE (變分自編碼器)。它們的哲學完全不同：不是「對抗」，而是「壓縮與還原」。

1.1 發展演進史

VAE 的發展奠定了「機率生成模型」的基礎，更是後來 Diffusion Model 的重要前身。

2. AutoEncoder (AE)：壓縮與還原

AutoEncoder 的概念非常直觀：如果你能把一張複雜的圖片，壓縮成短短幾個數字 (編碼)，然後再完美地還原回來 (解碼)，那就代表你真正「理解」了這張圖片的精隨。

2.1 架構圖

2.2 運作原理

1. Encoder (編碼器)：把圖片 $x$ 壓縮成低維度的向量 $z$ (Latent Vector)。
2. Bottleneck (瓶頸層)：強迫模型只保留最重要的資訊。
3. Decoder (解碼器)：嘗試從 $z$ 還原回原始圖片 $x'$。
4. Loss Function：比較 $x$ 和 $x'$ 的相似度 (Reconstruction Loss)。

3. VAE (Variational AutoEncoder)：讓生成更平滑

普通的 AutoEncoder 雖然能還原圖片，但它不能用來生成新圖片。因為它的 $z$ 空間是不連續的。如果你隨便給一個雜訊 $z$，Decoder 可能會還原出亂碼。

VAE (變分自編碼器) 解決了這個問題。它不直接預測 $z$，而是預測 $z$ 的機率分佈 (常態分佈)。

3.1 VAE 的關鍵差異：從「點」到「範圍」

• AE (普通編碼器)：Encoder 說「這張圖的特徵是座標 (3, 5)」。
• VAE (變分編碼器)：Encoder 說「這張圖的特徵大概在 (3, 5) 附近，誤差範圍是 1」。

這樣做的好處是，Latent Space (潛在空間) 變得連續了。你可以從 (3, 5) 走到 (4, 6)，中間生成的圖片會慢慢從「數字 1」平滑過渡到「數字 7」，而不會突然跳變或產生亂碼。

4. 實戰：用 VAE 生成手寫數字

我們透過 MNIST 實驗，觀察 VAE 的「還原」與「生成」能力。

從實測圖中，我們可以清楚看到 VAE 的兩大特點：

Part 1：還原能力 (Reconstruction) —— VAE 的記憶力

• 現象：上排是原圖 (Sharp)，下排是還原圖 (Blurry)。
• 解析：還原後的圖片變得糊糊的，這是因為 VAE 在壓縮過程中捨棄了細節，只保留了核心特徵。這就像畫家憑記憶臨摹，雖然數字正確，但邊緣不再銳利。

Part 2：潛在空間變形 (Morphing) —— VAE 的想像力

• 現象：圖片從 「1」 慢慢過渡到 「7」，中間產生了平滑的筆畫生長。
• 解析：這證明了 VAE 學習到的是一個連續的數學空間。在「1」與「7」的座標之間，每一點都能解碼出一張「看起來合理」的中間狀態圖片。這在電影特效（如人變狼人）或是產品設計微調中非常強大。

5. GAN vs VAE 比較

6. 總結

VAE 雖然在畫質上輸給了 GAN，但它穩定的訓練過程與優美的數學特性，讓它成為了生成式 AI 不可或缺的基石。

下一關我們將挑戰 Diffusion Model (擴測模型) 的核心原理：如何透過「加噪」與「去噪」來生成高品質圖片！