影片狀態：錄影需登入或課程授權。 影片來源與說明
擴散與VAE都能用機率模型的觀點理解，但「都有潛在變量」不代表它們是同一套生成流程。擴散把噪聲步驟串成鏈；VAE用encoder近似latent的後驗，decoder從latent重建資料。這篇是關係導覽，原第8–9堂的教學已拆成各自可檢核的內容。
先讀哪一篇
總覽的 課程地圖列出完整核心主線；本篇是主題導覽，不是額外課堂。先選你要回答的問題，再去對應的教學篇。
用一個例子看出分界
本站自擬例子：一維x0=2，alpha-bar=0.25，噪聲epsilon=0。前向擴散xt=√0.25×2+√0.75×0=1。若模型正確預測噪聲0，就可由xt還原x0=2。換到VAE，設encoder給mu=1、sigma=0.5，重參數化的同一次epsilon=0得到z=1；假設教學decoder是D(z)=2z，重建也為2。兩者都得到2，不代表latent含義相同：擴散要知道噪聲時刻與schedule，VAE要解釋後驗、prior與KL項。
自我檢查
只因兩個模型都能重建這個輸入，能說它們學到一樣的資料分布嗎？
答案與判準
不能。單筆重建沒有檢查整個生成分布，兩者也有不同訓練目標、隨機變量與採樣程序。需要固定評估集合與明確的分布／品質指標。
怎麼使用這張地圖
先不看答案，用自己的話指出輸入、被改動的部分與輸出，再到上面的教學篇完成變式。如果把兩種機制混在一起，回到資料流，找出哪一步的條件不同。這篇只驗關係與分界；不能用它代替各堂的推導、實作或評估。
本文沿用Spring 2026公開教材；自擬例子不是官方考題或課堂口述。原課程錄影仍須依授權存取。
課程影片來源
Spring 2026 官方課站將錄影導向 SCS Panopto。2026-10-12 匿名讀取回傳資料夾未載入與登入提示，未取得可播放的課堂內容；這是存取限制，不能推論沒有錄影。本文依公開文字教材整理，沒有重建未取得的課堂口述或提供原音逐字稿。
更新紀錄
-
2026-10-11：重整教學範圍、完整例子與理解檢查，保留原網址及發文日期。
-
2026-10-10：標註影片狀態，核對錄影來源與取得方式。
-
2026-10-10：重查影片狀態。確認登入牆屬實（匿名開啟 Panopto 資料夾無影片並提示登入），官方頁面也沒有公開 YouTube 版本，狀態維持不變。
參考資料
- CMU 10-423/623/723 Generative AI 課程首頁（Spring 2026）
- 講次表（Schedule）——L8、L9 日期、標題與 readings
- Lecture 8 投影片：Diffusion Models（Part II）+ Intro to VAEs
- Lecture 9 投影片：VAEs + Zero-shot vs. Few-shot與手寫註記版
- Coursework 頁與 HW2 handout（zip）——VAE 與 Diffusion 題的配分
- Practice exam（Spring 2026）與解答
- Blei, Kucukelbir & McAuliffe, Variational Inference: A Review for Statisticians——講次表 reading
- Jason Eisner, High-Level Explanation of Variational Inference（2011）——講次表 reading
- Carl Doersch, Tutorial on Variational Autoencoders（2016）——講次表 reading
- Ho, Jain & Abbeel, Denoising Diffusion Probabilistic Models（NeurIPS 2020）——L7 reading，L8 的 DDPM 目標函數出處
- Kingma & Welling, Auto-Encoding Variational Bayes（ICLR 2014）——投影片 VAE Results 引用