Deux réseaux s'affrontent. L'un génère de faux exemples, l'autre détermine leur authenticité. L'entraînement vise à tromper le générateur et à identifier les faux exemples. On obtient ainsi un générateur capable de produire des données synthétiques convaincantes.

Ian Goodfellow a introduit cette idée en 2014. Elle a rapidement permis de produire des visages photoréalistes, des transferts de style et des traductions d'images. Les GAN ont largement contribué à l'enthousiasme initial suscité par l'IA générative.

variantes courantes

• DCGAN pour la génération d'images
• CycleGAN pour la traduction non appariée
• StyleGAN pour les visages haute fidélité
• GAN conditionnels pour une sortie contrôlée

L'entraînement est instable. L'effondrement du mode réduit la diversité. L'oscillation entre le générateur et le discriminateur empêche la convergence. Les modèles de diffusion ont supplanté les GAN pour de nombreuses tâches de traitement d'images, mais les GAN restent rapides pour l'inférence et utiles dans des applications spécialisées.