Соревнуются две нейронные сети. Одна генерирует поддельные образцы, другая оценивает, являются ли они реальными. В процессе обучения генератор должен обмануть дискриминатор, а дискриминатор — обнаружить подделки. В результате получается генератор, способный создавать убедительные синтетические данные.

Иэн Гудфеллоу представил эту идею в 2014 году. Она быстро позволила создавать фотореалистичные лица, переносить стиль и осуществлять преобразование изображений. Генеративные состязательные сети (GAN) во многом способствовали первоначальному ажиотажу вокруг генеративного искусственного интеллекта.

Распространенные варианты

• DCGAN для генерации изображений
• CycleGAN для непарного перевода
• StyleGAN для высококачественной визуализации лиц
• Условные GAN для управляемого выходного сигнала

Обучение нестабильно. Схлопывание режимов снижает разнообразие. Колебания между генератором и дискриминатором препятствуют сходимости. Диффузионные модели превзошли GAN во многих задачах обработки изображений, но GAN остаются быстрыми на этапе вывода и полезными в специализированных приложениях.