Zwei Netzwerke konkurrieren miteinander. Das eine erzeugt gefälschte Datenbeispiele. Das andere prüft, ob diese echt sind. Durch Training wird der Generator dazu angehalten, den Diskriminator zu täuschen, und der Diskriminator dazu, die Fälschungen zu erkennen. Das Ergebnis ist ein Generator, der überzeugende synthetische Daten erzeugen kann.

Ian Goodfellow stellte die Idee 2014 vor. Sie ermöglichte schnell fotorealistische Gesichter, Stilübertragungen und Bild-zu-Bild-Übersetzungen. GANs trugen maßgeblich zur anfänglichen Begeisterung für generative KI bei.

Häufige Varianten

• DCGAN zur Bildgenerierung
• CycleGAN für ungepaarte Übersetzung
• StyleGAN für hochauflösende Gesichter
• Bedingte GANs für kontrollierte Ausgabe

Das Training ist instabil. Der Zusammenbruch der Modi verringert die Diversität. Oszillationen zwischen Generator und Diskriminator verhindern die Konvergenz. Diffusionsmodelle haben GANs bei vielen Bildverarbeitungsaufgaben überholt, aber GANs sind nach wie vor schnell bei der Inferenz und in spezialisierten Anwendungen nützlich.