Két hálózat verseng egymással. Az egyik hamis mintákat generál. A másik megítéli, hogy azok valódiak-e. A betanítás arra készteti a generátort, hogy becsapja a diszkriminátort, a diszkriminátort pedig arra, hogy kiszűrje a hamisítványokat. Az eredmény egy olyan generátor, amely képes meggyőző szintetikus adatokat előállítani.

Ian Goodfellow 2014-ben mutatta be az ötletet. Gyorsan fotorealisztikus arcokat, stílusátvitelt és képről képre fordítást eredményezett. A GAN-ok adták a generatív mesterséges intelligencia körüli korai lelkesedés nagy részét.

Gyakori változatok

• DCGAN képalkotáshoz
• CycleGAN párosítatlan fordításhoz
• StyleGAN a nagy pontosságú arcokhoz
• Feltételes GAN-ok szabályozott kimenethez

A betanítás instabil. A módusösszeomlás csökkenti a diverzitást. A generátor és a diszkriminátor közötti oszcilláció megakadályozza a konvergenciát. A diffúziós modellek számos képfeldolgozási feladatban megelőzték a GAN-okat, de a GAN-ok továbbra is gyorsak a következtetésben, és hasznosak speciális alkalmazásokban.