En 2014, Ian Goodfellow y coautores propusieron Generative Adversarial Networks: un generador y un discriminador entrenados en un minimax. El generador aprende a engañar; el discriminador, a detectar fakes.
Las GANs produjeron imágenes cada vez más creíbles (DCGAN, StyleGAN) y alimentaron debates sobre deepfakes y creatividad sintética.
Más tarde, difusión y transformers generativos desplazaron a las GANs en muchos benchmarks, pero el marco adversarial sigue influyente en robustez y evaluación.
