Ein Generative Adversarial Network (GAN) ist eine Modellarchitektur, in der zwei neuronale Netze gegeneinander trainiert werden: Ein Generator erzeugt künstliche Daten, ein Diskriminator versucht, sie von echten zu unterscheiden. Aus dem Wettbewerb entsteht der Lerneffekt, denn jede Fehleinschätzung des einen liefert dem anderen die Korrektur; am Ende sind die Fälschungen so gut, dass der Prüfer nur noch raten kann. Vorgestellt wurde das Prinzip 2014 von Ian Goodfellow und Kollegen.
Eingesetzt werden GANs für die Erzeugung fotorealistischer Bilder und Gesichter, das Hochrechnen von Bildauflösung, die Übertragung von Bildstilen und die Erzeugung synthetischer Trainingsdaten. Sie gelten als schwierig im Training, weil das Gleichgewicht der beiden Netze leicht kippt, etwa wenn der Generator nur noch wenige Varianten produziert.
In der Bilderzeugung wurden GANs weitgehend von Diffusionsmodellen abgelöst, die den Bildaufbau über schrittweise Entrauschung lösen und stabiler trainieren. Gesellschaftlich bekannt wurde die Technik vor allem als Grundlage früher Deepfakes; deren Verbreitung ist inzwischen kennzeichnungspflichtig (Art. 50 Abs 4 Verordnung (EU) 2024/1689).