Startseite > Lexikon > KI im Marketing > Generative Adversarial Network

Bleistiftskizze: Eine Figur malt an einer Staffelei, eine zweite im Mantel prüft das Gemälde mit oranger Lupe, als Bild für Erzeuger und Prüfer eines GAN
KI im Marketing

Generative Adversarial Network

GAN

Ein Fälscher und ein Prüfer, die sich gegenseitig besser machen: So funktioniert ein GAN. Es hat die KI-Bilder groß gemacht — und steckt heute eher im Hintergrund deiner Werkzeuge.

Auch bekannt alsGeneratives gegnerisches Netzwerk

6 Min

Lesezeit

16.11.2026

Letzte Aktualisierung

Was ist ein Generative Adversarial Network?

Stell dir einen Kunstfälscher vor und einen Gutachter, der seine Bilder prüft. Jedes Mal, wenn der Gutachter eine Fälschung entlarvt, lernt der Fälscher dazu. Und jedes Mal, wenn eine Fälschung durchgeht, schärft der Gutachter seinen Blick. Genau das ist ein GAN.

Ein Generative Adversarial Network besteht aus zwei neuronalen Netzen. Der Generator erzeugt künstliche Daten, meist Bilder. Der Diskriminator bekommt abwechselnd echte Bilder und solche vom Generator und soll sagen, was echt ist. „Adversarial“ heißt „gegnerisch“: Die beiden spielen gegeneinander.

Erfunden haben das Ian Goodfellow und sieben Kollegen, veröffentlicht 2014 auf der Konferenz NIPS (heute NeurIPS). Im Idealfall erzeugt der Generator am Ende Daten, die von echten nicht zu unterscheiden sind. Der Diskriminator kann dann nur noch raten — er liegt bei jedem Bild zu 50 % richtig.

Vom Forschungspapier zu Gesichtern, die es nicht gibt

Jahr

Was passierte

2014

erstes GAN-Paper von Goodfellow

2015

DCGAN verbindet GANs mit Bildnetzen

2018

StyleGAN von NVIDIA

2021

Diffusionsmodelle überholen GANs

Den großen Auftritt hatte StyleGAN. Es trennt grobe Merkmale wie Kopfhaltung von Details wie Sommersprossen und erzeugt täuschend echte Porträts. Trainiert wurde es unter anderem mit einem Datensatz aus 70.000 Gesichtsfotos. Die Website thispersondoesnotexist.com zeigte ab 2019 bei jedem Neuladen ein neues Gesicht — von Menschen, die nie gelebt haben.

2021 zeigten Forscher von OpenAI dann, dass Diffusionsmodelle bei der Bildqualität besser abschneiden und vielfältigere Ergebnisse liefern. Seitdem setzen die großen Bildgeneratoren auf Diffusion.

Beispiele aus der Praxis

Case A · Kunstmarkt

„Edmond de Belamy“ bei Christie's

432.500 $

Verkaufspreis 2018

7.000–10.000 $

Schätzpreis

Ein GAN-Porträt erzielt über das Vierzigfache der Schätzung

Das Pariser Kollektiv Obvious trainierte das GAN mit 15.000 Porträts aus mehreren Jahrhunderten. Ein Marketing-Coup, kein Kunsturteil.

Case B · Bildbearbeitung

Real-ESRGAN zum Hochskalieren

2021

Paper erschienen

37.500

Sterne auf GitHub

Kleine Bilder werden scharf vergrößert

Open Source und kommerziell nutzbar. Werkzeuge dieser Art retten alte Produktfotos oder Logos in niedriger Auflösung.

Dass GANs beim Hochskalieren überlebt haben, hat einen Grund: Sie erzeugen ein Bild in einem einzigen Durchlauf. Diffusionsmodelle brauchen viele Schritte. Für schnelle Aufgaben bleibt das GAN deshalb im Spiel.

Häufige Fehler

Fehler 1 · Midjourney und Co. für GANs halten

Midjourney, DALL-E und Stable Diffusion sind Diffusionsmodelle. Sie entfernen Schritt für Schritt Rauschen aus einem Bild. Ein GAN hat keinen solchen Prozess, sondern den Zweikampf zweier Netze.

Fehler 2 · GAN und Deepfake gleichsetzen

Deepfakes lassen sich mit GANs bauen, aber genauso mit anderen Verfahren. Ein Deepfake ist eine Art von Inhalt, keine Technik. Das Gesetz knüpft deshalb am Ergebnis an, nicht am Werkzeug.

Fehler 3 · Erzeugte Gesichter frei verwenden

Der Code von StyleGAN und sein Gesichtsdatensatz stehen unter Lizenzen, die kommerzielle Nutzung ausschließen. „Die Person gibt es nicht“ heißt nicht „das Bild darf in deine Anzeige“. Prüf vor jeder Werbenutzung die Lizenz des Werkzeugs.

Fehler 4 · GANs für erledigt erklären

In Upscalern, Gesichtsrestaurierung, Echtzeitfiltern und bei synthetischen Trainingsdaten arbeiten GANs weiter. Du merkst es nur nicht, weil sie im Hintergrund laufen.

Was GANs für dein Marketing heißen

  • Bilder aufwerten: Alte oder kleine Produktfotos mit einem KI-Upscaler vergrößern, statt neu zu fotografieren.
  • Lizenzen prüfen: Bei jedem KI-Werkzeug klären, ob du die Ergebnisse kommerziell nutzen darfst.
  • Kennzeichnen: Zeigt ein Bild oder Video eine echt wirkende Person oder ein Ereignis, die es so nicht gab, ist es ein Deepfake. Nach Art. 50 der KI-Verordnung der EU musst du das ab 2. August 2026 offenlegen.
  • Nicht täuschen: Erfundene Gesichter als „unsere Kunden“ auszugeben, führt Kunden in die Irre — auch ganz ohne KI-Gesetz.

Häufige Fragen

Wie funktioniert ein GAN einfach erklärt?

Zwei KI-Netze spielen gegeneinander. Eines erzeugt Bilder, das andere soll echte von erzeugten unterscheiden. Durch das ständige Kräftemessen werden die erzeugten Bilder immer echter. Am Ende kann der Prüfer sie nicht mehr auseinanderhalten.

Was ist der Unterschied zwischen GAN und Diffusionsmodell?

Ein GAN erzeugt ein Bild in einem einzigen Schritt und lernt im Zweikampf zweier Netze. Ein Diffusionsmodell lernt, Rauschen schrittweise aus einem Bild zu entfernen. Es ist langsamer, aber stabiler im Training und liefert vielfältigere Ergebnisse. Deshalb setzen heutige Bildgeneratoren darauf.

Nutzt ChatGPT ein GAN?

Nein. ChatGPT beruht auf einem großen Sprachmodell, also einem Transformer, der das nächste Wort vorhersagt. Auch die bekannten Bildgeneratoren arbeiten mit Diffusionsmodellen. GANs findest du eher in spezialisierten Werkzeugen zum Hochskalieren oder Restaurieren.

Muss ich GAN-Bilder in der Werbung kennzeichnen?

Wenn sie eine echt wirkende Person, einen Ort oder ein Ereignis zeigen, die es so nicht gibt, gelten sie als Deepfake. Nach Art. 50 der KI-Verordnung der EU musst du das ab 2. August 2026 offenlegen. Bei klar künstlerischen oder satirischen Werken reicht ein dezenter Hinweis. Ein hochskaliertes echtes Produktfoto ist kein Deepfake.

Was ist Mode Collapse?

Ein typisches Problem beim Training: Der Generator findet ein paar Bilder, mit denen er den Prüfer zuverlässig täuscht, und erzeugt nur noch diese. Die Vielfalt geht verloren. Das ist einer der Gründe, warum Diffusionsmodelle GANs bei der Bildgenerierung überholt haben.

Begriff teilenHat dir die Definition geholfen? Schick sie weiter.