İki ağ yarışıyor. Biri sahte örnekler üretiyor, diğeri ise bunların gerçek olup olmadığını değerlendiriyor. Eğitim, üreticiyi ayırt ediciyi kandırmaya, ayırt ediciyi ise sahteleri yakalamaya itiyor. Sonuç olarak, ikna edici sentetik veri üretebilen bir üretici ortaya çıkıyor.

Ian Goodfellow bu fikri 2014'te ortaya attı. Kısa sürede fotogerçekçi yüzler, stil aktarımları ve görüntüden görüntüye çeviriler üretildi. GAN'lar, üretken yapay zekâ etrafındaki ilk heyecanın büyük bir bölümünü destekledi.

Yaygın varyantlar

• Görüntü oluşturma için DCGAN
• Eşleştirilmemiş çeviri için CycleGAN
• Yüksek çözünürlüklü yüzler için StyleGAN
• Kontrollü çıktı için koşullu GAN'lar

Eğitim kararsızdır. Mod çökmesi çeşitliliği azaltır. Üretici ve ayrıştırıcı arasındaki salınım yakınsamayı engeller. Difüzyon modelleri birçok görüntü işleme görevinde GAN'ları geride bırakmıştır, ancak GAN'lar çıkarım konusunda hala hızlıdır ve özel uygulamalarda kullanışlıdır.