Twee netwerken concurreren met elkaar. Het ene genereert nepvoorbeelden. Het andere beoordeelt of ze echt zijn. Door training wordt de generator ertoe aangezet de discriminator te misleiden, en de discriminator de nepvoorbeelden te herkennen. Het resultaat is een generator die in staat is overtuigende synthetische data te produceren.

Ian Goodfellow introduceerde het idee in 2014. Het leverde al snel fotorealistische gezichten, stijltransfers en beeld-naar-beeldvertalingen op. GAN's waren een belangrijke drijfveer achter de vroege opwinding rond generatieve AI.

Veelvoorkomende varianten

• DCGAN voor beeldgeneratie
• CycleGAN voor ongepaarde vertaling
• StyleGAN voor gezichten met hoge resolutie
• Conditionele GAN's voor gecontroleerde uitvoer

De training is instabiel. Moduscollaps vermindert de diversiteit. Oscillatie tussen generator en discriminator verhindert convergentie. Diffusiemodellen hebben GAN's voor veel beeldverwerkingstaken ingehaald, maar GAN's blijven snel in inferentie en nuttig in gespecialiseerde toepassingen.