Dwie sieci konkurują ze sobą. Jedna generuje fałszywe próbki. Druga ocenia, czy są one prawdziwe. Trening zmusza generator do oszukania dyskryminatora, a dyskryminator do wyłapywania fałszywych próbek. Rezultatem jest generator zdolny do generowania przekonujących danych syntetycznych.

Ian Goodfellow przedstawił tę ideę w 2014 roku. Szybko pozwoliła ona na uzyskanie fotorealistycznych twarzy, transferów stylu i translacji obrazu na obraz. Sieci GAN były w dużej mierze motorem napędowym wczesnego entuzjazmu wokół generatywnej sztucznej inteligencji.

Typowe warianty

• DCGAN do generowania obrazu
• CycleGAN dla niesparowanego tłumaczenia
• StyleGAN dla twarzy o wysokiej wierności
• Warunkowe sieci GAN dla kontrolowanego wyjścia

Uczenie jest niestabilne. Załamanie modów zmniejsza zróżnicowanie. Oscylacja między generatorem a dyskryminatorem uniemożliwia konwergencję. Modele dyfuzyjne wyprzedziły sieci GAN w wielu zadaniach związanych z obrazowaniem, ale sieci GAN nadal szybko wnioskowały i są użyteczne w specjalistycznych zastosowaniach.