是否可以使用 VAE 从初始图像开始重建图像，而不是使用，如本示例K.random_normal的“采样”功能所示？
我使用带有 VAE 编码器的示例图像来获取z_mean和z_logvar.
我在一个空白图像中获得了 1000 像素（其中没有任何内容）。
现在，我想使用具有给定约束的解码器重建样本图像，否则空白图像中的 1000 个像素保持不变。可以重建剩余的像素，使它们尽可能接近初始样本图像。换句话说，我的解码器起点是一个空白图像，其中一些像素不会改变。
如何修改解码器以根据此约束生成图像？是否可以？是否有可能使这成为可能的 VAE 变体？那么我们可以从一个初始点开始预测潜在变量吗？
问题是，解码器从潜在的 mu 和 sigma 中采样，因此您不能直接从原始图像中采样。但是，如果您尝试将随机图像放入经过训练的 VAE 的编码器中以将其与某个样本图像匹配（通过重建损失），那么您的随机输入图像将收敛到目标样本。
当满足以下 VAE 架构约束时，这将起作用：
目标样本包含在先前使用的训练分布中。
VAE 的参数在训练后被冻结。
输入图像值是“可反向传播的”。（将输入图像解释为可优化参数。）
您可以使用之前回答的 VAE，尽管它在实践中效果不佳。
我认为去噪自动编码器适合您的问题，因为在训练期间，输入是随机损坏的，因此它必须学会猜测丢失信息的分布（重建干净的原始输入）
我们可以说 VAE 在建模 p(x) 因为在潜在空间层引入了随机性，而类似 DAE 的算法不断从输入层开始放置噪声。
假设您的数据集中在这个一维弯曲流形上，VAE 可以做的只是选择一些随机值并输出 p(X|Z)，顺便说一下，它是高斯的，而 DAE 将学习映射损坏的数据点 x~回到原始数据点 x。
