In dieser Arbeit schlagen wir vor, Generative Adversarial Networks (GANs) mit der Fähigkeit zu versehen, direkte Energieabschätzungen für Proben zu erzeugen. Insbesondere entwickeln wir ein flexibles adversariales Trainingsframework und beweisen, dass dieses Framework nicht nur sicherstellt, dass der Generator zur wahren Datenverteilung konvergiert, sondern auch ermöglicht, dass der Diskriminator die Dichteverteilung im globalen Optimum beibehält. Wir leiten die analytische Form der induzierten Lösung her und analysieren ihre Eigenschaften. Um das vorgeschlagene Framework in der Praxis trainierbar zu machen, führen wir zwei effektive Approximationstechniken ein. Empirisch zeigen die Experimentsergebnisse eine enge Übereinstimmung mit unserer theoretischen Analyse und bestätigen, dass der Diskriminator in der Lage ist, die Energie der Datenverteilung wiederherzustellen.