兩個網路相互競爭。一個網路產生虛假樣本，另一個網路判斷這些樣本是否真實。訓練過程促使生成器欺騙判別器，並促使判別器辨識假樣本。最後得到一個能夠產生逼真合成數據的生成器。

伊恩·古德費洛於2014年提出了生成對抗網（GAN）的概念。它迅速實現了逼真的人臉生成、風格遷移和圖像到圖像的轉換。 GAN推動了早期生成式人工智慧領域的蓬勃發展。

常見變異

• 用於影像生成的 DCGAN
• CycleGAN 用於非配對翻譯
• StyleGAN 用於高保真人臉
• 用於受控輸出的條件生成對抗網絡

訓練過程不穩定。模式崩潰會降低多樣性。生成器和判別器之間的振盪會阻礙收斂。擴散模型在許多圖像任務中已經超越了生成對抗網路（GAN），但GAN在推理方面仍然速度很快，並且在一些特定應用中仍然很有用。