Dvě sítě soupeří. Jedna generuje falešné vzorky. Druhá posuzuje, zda jsou skutečné. Trénování tlačí generátor, aby oklamal diskriminátor, a diskriminátor, aby odhalil falešné vzorky. Výsledkem je generátor schopný produkovat přesvědčivá syntetická data.

Ian Goodfellow představil tuto myšlenku v roce 2014. Rychle umožnila vytvoření fotorealistických obličejů, přenosů stylů a převodů mezi obrazy. GANy (Generativní sítě) poháněly velkou část raného nadšení kolem generativní umělé inteligence.

Běžné varianty

• DCGAN pro generování obrazu
• CycleGAN pro nepárový překlad
• StyleGAN pro vysoce věrné tváře
• Podmíněné GAN pro řízený výstup

Trénování je nestabilní. Kolaps módů snižuje diverzitu. Oscilace mezi generátorem a diskriminátorem brání konvergenci. Difúzní modely předběhly GANy v mnoha obrazových úlohách, ale GANy zůstávají rychlé v inferenci a užitečné ve specializovaných aplikacích.