VAE-for-Image-Generation

用Keras快速上手VAE，在MNIST和CIFAR10上生成图像并可视化潜在空间

这是一个用Keras实现变分自编码器（VAE）的教学型开源项目，专注于图像生成和潜在空间可视化。项目在MNIST和CIFAR10数据集上完成了VAE的完整实现，包括编码器、解码器、重参数化技巧等核心组件，并提供了潜在空间的可视化功能，帮助理解VAE如何将图像压缩为低维分布并从中采样生成新图像。解决的核心问题是让初学者快速上手VAE，通过简洁的代码和可视化结果直观理解生成模型的原理。项目代码结构清晰，包含训练脚本和可视化工具，适合作为学习生成模型和图像生成的入门参考。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 122

维护状态低维护

是否开源是

定价模式 free

项目数据

分类图像生成

开发团队chaitanya100100

所属国家

官网地址

GitHubhttps://github.com/chaitanya100100/VAE-for-Image-Generation

定价模式free

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型generative-model,image-generation,keras-neural-networks,vae,variational-autoencoder

GitHub 星标★ 122

30天Star增速

HF 下载量

上线时间2017-11-03 00:00:00

最近更新2026-05-29 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数4

使用教程

核心亮点

代码简洁，基于Keras高层API，适合初学者快速理解VAE架构
提供潜在空间可视化，直观展示编码分布和生成效果
覆盖MNIST和CIFAR10两个经典数据集，便于对比不同复杂度数据上的表现

不足之处

项目为早期教学示例，缺少训练调优和生成质量评估（如FID）
文档和社区支持有限，扩展性不足

适用场景

学习VAE原理和Keras实现的教学场景
快速原型验证VAE在简单图像数据集上的生成效果
作为生成模型研究的基线对比参考

替代项目

keras-vae、Variational-Autoencoder、vae-cifar10

项目介绍

VAE-for-Image-Generation 是图像领域的开源项目，由 chaitanya100100 开发，2017 年首次发布。

它收录于图像分类，该分类目前共有 839 个项目，GitHub 星标数为 122。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-05-29。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：学习VAE原理和Keras实现的教学场景。同类可对比的替代方案包括 keras-vae、Variational-Autoencoder、vae-cifar10。

上一篇：DistanceGAN

下一篇：domain-transfer-network