AutoencoderKL

带有KL损失的变分自编码器（VAE）模型由Diederik P. Kingma和Max Welling在Auto-Encoding Variational Bayes中提出。该模型用于🤗 Diffusers中，将图像编码为潜在变量，并将潜在表示解码为图像。

论文的摘要如下：

在存在连续潜在变量且其后验分布难以处理的有向概率模型中，以及在大数据集的情况下，我们如何进行有效的推理和学习？我们引入了一种随机变分推理和学习算法，该算法可扩展到大样本集，并且在一些温和的可微性条件下，甚至在难以处理的情况下也能工作。我们的贡献有两方面。首先，我们展示了通过重新参数化变分下界，可以得到一个下界估计器，该估计器可以使用标准的随机梯度方法直接优化。其次，我们展示了对于每个数据点具有连续潜在变量的独立同分布数据集，通过使用提出的下界估计器拟合一个近似推理模型（也称为识别模型）来逼近难以处理的后验分布，可以使后验推理变得特别高效。理论上的优势在实验结果中得到了体现。

从原始格式加载

默认情况下，[AutoencoderKL]应通过[~ModelMixin.from_pretrained]加载，但也可以使用[FromOriginalModelMixin.from_single_file]从原始格式加载，如下所示：

from diffusers import AutoencoderKL

url = "https://huggingface.co/stabilityai/sd-vae-ft-mse-original/blob/main/vae-ft-mse-840000-ema-pruned.safetensors"  # can also be a local file
model = AutoencoderKL.from_single_file(url)

AutoencoderKL

[[autodoc]] AutoencoderKL - decode - encode - all

AutoencoderKLOutput

[[autodoc]] models.autoencoders.autoencoder_kl.AutoencoderKLOutput

DecoderOutput

[[autodoc]] models.autoencoders.vae.DecoderOutput

FlaxAutoencoderKL

[[autodoc]] FlaxAutoencoderKL

FlaxAutoencoderKLOutput

[[autodoc]] models.vae_flax.FlaxAutoencoderKLOutput

FlaxDecoderOutput

[[autodoc]] models.vae_flax.FlaxDecoderOutput