Generative Adversarial Network(GAN, 생성적 적대 신경망)은 서로 대립적으로 학습되는 두 신경망, 생성자(generator)와 판별자(discriminator)로 이루어진 머신러닝 아키텍처입니다. 생성자는 실제 데이터를 모방하려는 합성 데이터를 만들고, 판별자는 실제와 생성 샘플을 구분하려 합니다. 이 적대 과정을 통해 두 네트워크가 개선되어 생성자가 판별자를 속일 만큼 설득력 있는 출력을 내게 됩니다.

GAN은 2014년 도입되어 2010년대 후반 AI 이미지 생성의 주된 접근이 되었고, 사진적 합성, 스타일 전이, 이미지-투-이미지 변환에서 큰 진전을 냈습니다. 주목할 GAN 아키텍처에는 고품질 얼굴 생성용 StyleGAN, 비쌍 이미지 변환용 CycleGAN, 쌍 이미지 변환용 Pix2Pix가 있습니다. 그러나 GAN은 역사적으로 학습이 어렵고, 제한된 다양성만 생성하는 모드 붕괴에 취약하며, 학습 불안정을 막기 위해 신중한 균형이 필요합니다.

디퓨전 모델이 안정성과 품질 우수성으로 현대 이미지 생성의 선호 아키텍처로 GAN을 크게 대체했지만, GAN은 AI 역사에서 중요하며 특수 응용에서 계속 쓰입니다. GAN을 이해하면 생성 AI가 어떻게 진화했는지 맥락을 주고, 현재 디퓨전 기반 모델이 분야에서 의미 있는 아키텍처 전환을 나타내는 이유를 설명하는 데 도움이 됩니다.