生成对抗网络（Generative Adversarial Network，GAN）是一种深度学习模型架构，由生成器（Generator）和判别器（Discriminator）两个神经网络组成，通过对抗博弈的方式协同训练。生成器负责生成以假乱真的数据样本，判别器负责区分真实数据与生成数据，两者相互博弈直至达到平衡。GAN广泛应用于图像生成、风格迁移、数据增强等领域。
GANs存在训练不稳定和模式崩溃（生成内容多样性不足）等固有局限
GANs（生成对抗网络）由Ian Goodfellow于2014年提出
GAN的核心思想是让生成器和判别器两个神经网络相互对抗，生成器试图创建逼真图像欺骗判别器，判别器试图区分真实图像和生成图像
与GANs相比，扩散模型训练更稳定、生成多样性更高、更易与文本条件整合
2020-2021年主流AI图像生成技术仍处于GANs和早期扩散模型的探索阶段
2020年的DDPM（去噪扩散概率模型）论文标志着扩散模型开始超越GANs
AI视频生成技术经历了从GAN（生成对抗网络）到扩散模型（Diffusion Model）的范式转变
AI视频生成技术经历了从GAN（生成对抗网络）到扩散模型（Diffusion Model）的范式转变
70%Verified与GANs相比，扩散模型训练更稳定、生成多样性更高、更易与文本条件整合
65%UnverifiedGANs（生成对抗网络）由Ian Goodfellow于2014年提出
100%UnverifiedGAN的核心思想是让生成器和判别器两个神经网络相互对抗，生成器试图创建逼真图像欺骗判别器，判别器试图区分真实图像和生成图像
100%UnverifiedGANs存在训练不稳定和模式崩溃（生成内容多样性不足）等固有局限
90%Unverified2020年的DDPM（去噪扩散概率模型）论文标志着扩散模型开始超越GANs
90%Unverified2020-2021年主流AI图像生成技术仍处于GANs和早期扩散模型的探索阶段
85%