No se puede generar una nueva imagen inventando valores de píxeles al azar: el espacio de todas las combinaciones posibles de píxeles es astronómicamente grande y casi ninguna de ellas parece significativa. Los modelos generativos funcionan aprendiendo un espacio latente estructurado y mucho más pequeño donde cada punto corresponde a una imagen plausible. El VAE es la primera arquitectura que hizo práctica esta idea, y su espacio latente es la base de Stable Diffusion.