先把一张已有椅图送进编码器，取得紧凑表示，再由解码器还原。若输出保住了椅背、材质和朝向，这说明从这张输入出发的一条重建路径有效。起点并非凭空选的，而是编码器根据真实椅图提供的。

现在拿走原图，只给同一个解码器一个新起点。解码器参数没有改变，输入的来源却变了：这次没有编码器把我们送到一个已经会解释的位置。若随手取的数落在训练少见甚至没见过的区域，输出可能不成椅子。

“解码器已经会画椅子，为什么不能随便给它一串数？” 能处理一些输入，与能处理任意输入不是同一个承诺。生成系统还需要规定从哪里、按什么分布抽起点，并让这些起点与解码器训练过的表示相容。只观察到一把好椅子，也不足以验证这个抽取规则的整个范围。

这种紧凑起点通常叫潜变量。它可以承载外观、形状或布局等变化，但不必每个坐标都对应一个人类命名的属性：改变一个方向，可能同时影响材质与角度。潜变量首先是组织可见结果的内部变量，是否易解释需要另查。

用潜变量模型描述一个可见结果的可能性时，也不能只检查“最像”的一个起点，而要考虑不同起点生成该结果的贡献。训练阶段的编码器帮助推断哪些起点能够解释当前图像；生成阶段则从规定的先验分布抽起点，不再需要一张待编码的原图。

普通自动编码器的重建能力没有自动解决这个新入口问题。VAE 试图把数据解释与可采样的潜在空间放到同一个训练任务里。这还不是“从任意数字都能生成好图”的保证；下一页把需要兼顾的两项检验并排展开。