Este artículo propone un método novedoso capaz de detectar datos fuera de distribución y generar muestras de datos dentro de la distribución. Para lograr esto, se adopta un modelo VAE y se mejora con un módulo de memoria, proporcionando capacidades para identificar datos fuera de distribución y sintetizar nuevas muestras dentro de la distribución. El VAE propuesto se entrena con datos normales y la memoria almacena patrones prototípicos de la distribución de datos normales. En el momento de la prueba, la entrada es codificada por el codificador VAE; esta codificación se utiliza como una consulta para recuperar elementos de memoria relacionados, que luego se integran con la codificación de entrada y se pasan al decodificador para la reconstrucción. Las muestras normales se reconstruyen bien y producen bajos errores de reconstrucción, mientras que las entradas fuera de distribución producen altos errores de reconstrucción, ya que sus codificaciones son reemplazadas por patrones normales recuperados. Trabajos anteriores utilizan módulos de memoria para la detección de datos fuera de distribución con autoencoders, pero este método aprovecha una arquitectura VAE para habilitar habilidades de generación. Los experimentos realizados con los conjuntos de datos CIFAR-10 y MNIST muestran que el VAE con memoria mejora consistentemente el rendimiento en comparación con el modelo base, especialmente cuando los datos fuera de distribución se asemejan a patrones normales. Esta mejora notable se debe a la representación mejorada del espacio latente proporcionada por el VAE. En general, el marco VAE equipado con memoria destaca en la identificación de datos fuera de distribución y en la generación efectiva de ejemplos creativos.