Två nätverk konkurrerar. Det ena genererar falska prover. Det andra bedömer om de är riktiga. Träning driver generatorn att lura diskriminatorn, och diskriminatorn att upptäcka förfalskningarna. Resultatet är en generator som kan producera övertygande syntetiska data.

Ian Goodfellow introducerade idén 2014. Den producerade snabbt fotorealistiska ansikten, stilöverföringar och bild-till-bild-översättningar. Generativa AI-tekniker drev mycket av den tidiga entusiasmen kring generativ AI.

Vanliga varianter

• DCGAN för bildgenerering
• CycleGAN för oparad översättning
• StyleGAN för högkvalitativa ansikten
• Villkorliga GAN för kontrollerad utgång

Träningen är instabil. Modkollaps minskar diversiteten. Oscillation mellan generator och diskriminator förhindrar konvergens. Diffusionsmodeller har gått om GAN för många bilduppgifter, men GAN förblir snabba vid inferens och användbara i specialiserade tillämpningar.