두 개의 신경망이 경쟁합니다. 하나는 가짜 샘플을 생성하고, 다른 하나는 생성된 샘플이 진짜인지 판별합니다. 학습을 통해 생성망은 판별망을 속이도록, 판별망은 가짜를 잡아내도록 훈련됩니다. 결과적으로, 실제와 같은 합성 데이터를 생성할 수 있는 생성망이 만들어집니다.

이언 굿펠로우는 2014년에 이 아이디어를 소개했습니다. GAN은 빠르게 실사 같은 얼굴 표현, 스타일 전송, 이미지 간 변환 등을 구현해냈습니다. GAN은 생성형 인공지능에 대한 초기 관심과 기대를 불러일으키는 데 크게 기여했습니다.

일반적인 변형

• 이미지 생성을 위한 DCGAN
• 쌍을 이루지 않는 번역을 위한 CycleGAN
• 고품질 얼굴 모델링을 위한 StyleGAN
• 제어된 출력을 위한 조건부 GAN

학습이 불안정합니다. 모드 붕괴로 인해 다양성이 감소합니다. 생성자와 판별자 사이의 진동으로 인해 수렴이 저해됩니다. 확산 모델이 많은 이미지 처리 작업에서 GAN을 능가했지만, GAN은 여전히 ​​추론 속도가 빠르고 특수 응용 분야에서 유용합니다.