Las técnicas de reconstrucción de imágenes aprendidas utilizando redes neuronales profundas han ganado popularidad recientemente y han arrojado resultados empíricos prometedores. Sin embargo, la mayoría de los enfoques se centran en una sola recuperación para cada observación, y por lo tanto descuidan la incertidumbre de la información. En este trabajo, desarrollamos un nuevo marco computacional que aproxima la distribución posterior de la imagen desconocida en cada observación de consulta. El marco propuesto es muy flexible: maneja modelos de ruido implícitos y priors, incorpora el proceso de formación de datos (es decir, el operador directo), y las propiedades de reconstrucción aprendidas son transferibles entre diferentes conjuntos de datos. Una vez que la red está entrenada utilizando la pérdida del autoencoder variacional condicional, proporciona un muestreador computacionalmente eficiente para la distribución posterior aproximada a través de la propagación hacia adelante, y las estadísticas resumidas de las muestras generadas se utilizan tanto para la estimación puntual como para la cuantificación de la incertidumbre. Ilustramos el marco propuesto con experimentos numéricos extensos sobre la tomografía por emisión de positrones (con niveles moderados y bajos de recuento), mostrando que el marco genera muestras de alta calidad en comparación con los métodos de vanguardia.