Dos redes compiten. Una genera muestras falsas. La otra determina si son reales. El entrenamiento impulsa al generador a engañar al discriminador, y al discriminador a detectar las falsificaciones. El resultado es un generador capaz de producir datos sintéticos convincentes.

Ian Goodfellow presentó la idea en 2014. Rápidamente produjo rostros fotorrealistas, transferencias de estilo y traducciones de imagen a imagen. Las GAN impulsaron gran parte del entusiasmo inicial en torno a la IA generativa.

Variantes comunes

• DCGAN para la generación de imágenes
• CycleGAN para traducción no emparejada
• StyleGAN para rostros de alta fidelidad
• GANs condicionales para salida controlada

El entrenamiento es inestable. El colapso de modos reduce la diversidad. La oscilación entre el generador y el discriminador impide la convergencia. Los modelos de difusión han superado a las GAN en muchas tareas de procesamiento de imágenes, pero las GAN siguen siendo rápidas en la inferencia y útiles en aplicaciones especializadas.