Dua jaringan saling bersaing. Satu menghasilkan sampel palsu. Yang lain menilai apakah sampel tersebut asli atau tidak. Pelatihan mendorong generator untuk mengelabui diskriminator, dan diskriminator untuk mendeteksi sampel palsu. Hasilnya adalah generator yang mampu menghasilkan data sintetis yang meyakinkan.

Ian Goodfellow memperkenalkan ide ini pada tahun 2014. Dengan cepat, GAN menghasilkan wajah fotorealistik, transfer gaya, dan terjemahan gambar ke gambar. GAN mendorong sebagian besar antusiasme awal seputar AI generatif.

Varian umum

• DCGAN untuk pembuatan gambar
• CycleGAN untuk terjemahan yang tidak berpasangan
• StyleGAN untuk wajah dengan fidelitas tinggi
• GAN bersyarat untuk keluaran terkontrol

Pelatihan tidak stabil. Keruntuhan mode mengurangi keragaman. Osilasi antara generator dan diskriminator mencegah konvergensi. Model difusi telah mengungguli GAN untuk banyak tugas pengolahan gambar, tetapi GAN tetap cepat dalam inferensi dan berguna dalam aplikasi khusus.