To nettverk konkurrerer. Det ene genererer falske prøver. Det andre vurderer om de er ekte. Trening presser generatoren til å lure diskriminatoren, og diskriminatoren til å fange opp forfalskningene. Resultatet er en generator som er i stand til å produsere overbevisende syntetiske data.

Ian Goodfellow introduserte ideen i 2014. Den produserte raskt fotorealistiske ansikter, stiloverføringer og bilde-til-bilde-oversettelser. GAN-er drev mye av den tidlige entusiasmen rundt generativ AI.

Vanlige varianter

• DCGAN for bildegenerering
• CycleGAN for uparret oversettelse
• StyleGAN for høykvalitets ansikter
• Betingede GAN-er for kontrollert utgang

Trening er ustabil. Moduskollaps reduserer diversitet. Oscillasjon mellom generator og diskriminator forhindrer konvergens. Diffusjonsmodeller har overtatt GAN-er for mange bildeoppgaver, men GAN-er er fortsatt raske til inferens og nyttige i spesialiserte applikasjoner.