Duas redes competem. Uma gera amostras falsas. A outra julga se são reais. O treino obriga o gerador a enganar o discriminador, e o discriminador a detetar as falsificações. O resultado é um gerador capaz de produzir dados sintéticos convincentes.

Ian Goodfellow apresentou a ideia em 2014. Rapidamente, produziu rostos fotorrealistas, transferências de estilo e traduções de imagem para imagem. As GAN impulsionaram grande parte do entusiasmo inicial em torno da IA ​​genérica.

variantes comuns

• DCGAN para geração de imagens
• CycleGAN para tradução não emparelhada
• StyleGAN para rostos de alta-fidelidade
• GANs condicionais para saída controlada

O treino é instável. O colapso de modos reduz a diversidade. A oscilação entre o gerador e o discriminador impede a convergência. Os modelos de difusão superaram as GANs em muitas tarefas de processamento de imagem, mas as GANs continuam a ser rápidas na inferência e úteis em aplicações especializadas.