两个网络相互竞争。一个网络生成虚假样本，另一个网络判断这些样本是否真实。训练过程促使生成器欺骗判别器，并促使判别器识别虚假样本。最终得到一个能够生成逼真合成数据的生成器。

伊恩·古德费洛于2014年提出了生成对抗网络（GAN）的概念。它迅速实现了逼真的人脸生成、风格迁移和图像到图像的转换。GAN推动了早期生成式人工智能领域的蓬勃发展。

常见变异

• 用于图像生成的 DCGAN
• CycleGAN 用于非配对翻译
• StyleGAN 用于高保真人脸
• 用于受控输出的条件生成对抗网络

训练过程不稳定。模式崩溃会降低多样性。生成器和判别器之间的振荡会阻碍收敛。扩散模型在许多图像任务中已经超越了生成对抗网络（GAN），但GAN在推理方面仍然速度很快，并且在一些特定应用中仍然很有用。