GANs率先实现了逼真的人工智能图像生成，并且仍被用于某些实时应用中。但扩散模型在对质量要求较高的工作中已基本取代了它们，因为GANs更难训练，且输出的多样性较低。
GAN 的结构源自博弈论中的零和博弈。生成器接收随机噪声（通常从高斯分布中采样的潜在向量），将其映射到数据样本——通常是图像。判别器接收来自训练集的真实样本和生成器生成的假样本，并输出每个样本为真实样本的概率。生成器被训练以最大化判别器的误差，而判别器被训练以最小化该误差。理论上，这会收敛到纳什均衡，此时生成器生成的输出与真实数据无法区分，而判别器只能以50/50的概率猜测。但在实践中，达到这一状态却是另一回事。
多年来，GAN 的训练不稳定性一直是其主要挑战。模式崩溃——生成器学会仅生成可能输出的狭窄切片——困扰了早期架构。如果判别器过早变得过于强大，生成器的梯度信号会消失，学习过程停滞。如果生成器找到一种欺骗判别器的捷径，它会不断利用该方法，而不是学习生成多样化的输出。Wasserstein GAN（WGAN）通过使用提供更有意义梯度的不同损失函数解决了这一问题。渐进增长（ProGAN）从低分辨率逐步构建图像，极大稳定了训练过程。NVIDIA 的 StyleGAN 和 StyleGAN2 进一步优化了这一方法，生成了著名的“这个人不存在”的人脸图像，首次让公众认真看待 AI 图像生成。
GAN 的真正超能力一直是速度。因为生成过程只需通过生成器网络进行一次前向传递，训练好的 GAN 可以在毫秒内生成图像。相比之下，扩散模型需要 20-50 次迭代。这就是为什么 GAN 在实时应用中仍占有一席之地：视频游戏纹理超分辨率（NVIDIA DLSS 使用类似 GAN 的架构）、实时人脸滤镜、移动应用中的风格迁移和超分辨率。当你需要以 30+ FPS 生成图像时，扩散模型的迭代优化过程在没有重度蒸馏的情况下太慢。
Ian Goodfellow 于 2014 年引入了 GAN，其架构经历了非凡的演变：DCGAN 带来了卷积结构（2015 年），条件 GAN 实现了类别特定生成，pix2pix 和 CycleGAN 处理了图像到图像的转换，BigGAN 扩展到 ImageNet 级别的质量，StyleGAN 使生成逼真人脸成为常规操作。大约八年的时间里，如果你看到 AI 生成的图像，它几乎肯定来自 GAN。转向扩散模型是因为扩散模型解决了 GAN 无法解决的问题：训练稳定性、输出多样性以及细粒度文本条件控制。你不再需要在对抗训练中玩这种微妙的平衡游戏。
一个值得纠正的误解：GAN 并未死亡。它们不再是图像生成的默认选择，但对抗训练原则无处不在。基于 GAN 的判别器被用作超分辨率和压缩的感知损失函数。对抗训练使模型更抗攻击。一些最快的扩散方法（如 SDXL Turbo 中的对抗扩散蒸馏）实际上使用 GAN 判别器将缓慢的扩散模型蒸馏成快速的几步生成器——这是 GAN 帮助其继任者变得更快速的巧妙循环。