ICLR 2016で発表された論文(Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks)で提案された敵対的生成ネットワークの一種。
GANでは生成画像がぼやけていたが、より鮮明な画像が生成できるようになった。

GAN同様、ジェネレーターとディスクリミネーターを競わせるように学習する。
ジェネレーターとディスクリミネーターそれぞれのネットワークに、全結合層ではなく畳み込み層・転置畳み込み層を使用している点がGANと異なる。
バッチ正規化を導入し、tanh, ReLULeaky ReLUといった活性化関数を使うことで、学習を安定化している。

DCGANの派生形として、Least Square GAN(識別ネットワークの最終層の活性化関数である標準シグモイド関数を無効化し、損失関数を平均二乗誤差に置き換えたもの。通常のDCGANに比べ、安定性が大幅に上昇。)やWasserstein GAN(識別ネットワークをワッサースタイン距離関数に近づけるため、重みのクリッピング及び損失関数の再設計を行い、識別ネットワークのリプリッツ連続性を担保する手法。通常のDCGAN、LSGANに比べ、クオリティの高い画像が生成された。)、Progressive Growing GAN(WGANをさらに発展させ、ミニバッチ内の標準偏差を算出する機構を識別ネットワークに導入し、さらに識別ネットワーク・生成ネットワークの両方を複数の段階に分割して学習をするようにしたもの)などがある。