GAN 模型有不同的类型，具体取决于所使用的数学公式以及生成者和辨别者相互作用的不同方式。

接下来我们给出一些常用的模型，但此列表并非详尽。还有许多其他 GAN 类型，例如 StyleGAN、CycleGAN 和 DiscoGAN，它们可以解决不同类型的问题。

这是基本的 GAN 模型，它在辨别者网络的反馈很少或根本没有反馈的情况下生成数据变化。对于大多数现实世界的使用案例，Vanilla GAN 通常需要增强。

有条件 GAN（cGAN）引入了条件性概念，可有针对性地生成数据。生成者和辨别者接收额外信息，通常是类标签或其他形式的调整数据。

例如，如果生成图像，则条件可能是描述图像内容的标签。调整可让生成者生成满足特定条件的数据。

深度卷积 GAN（DCGAN）认识到卷积神经网络（CNN）在图像处理中的强大功能，因此将 CNN 架构集成到 GAN 中。

在 DCGAN 中，生成者使用转置卷积来扩展数据分布，而辨别者使用卷积层对数据进行分类。DCGAN 还引入架构指南，以提高训练的稳定性。

超分辨率 GAN (SRGAN) 专注于将低分辨率图像放大到高分辨率。目标是将图像增强到更高的分辨率，同时保持图像质量和细节。

Laplacian Pyramid GAN（LAPGAN）通过将问题分为几个阶段来解决生成高分辨率图像的挑战。它们使用分层方法，其中多个生成者和辨别者在图像的不同比例或分辨率下工作。该过程从生成低分辨率图像开始，该图像的质量在渐进式 GAN 阶段中逐步提高。