In diesem Paper stellen wir DuelGAN vor, eine generative adversarische Netzwerk-(GAN-)Lösung zur Verbesserung der Stabilität der generierten Proben und zur Minderung des Mode-Collapse-Problems. Aufbauend auf dem klassischen Zwei-Spieler-Spiel des Vanilla GAN zwischen dem Diskriminator $D_1$D1​ und dem Generator $G$G führen wir einen zweiten, peer-ähnlichen Diskriminator $D_2$D2​ in das Minimax-Spiel ein. Ähnlich wie in vorherigen Arbeiten mit zwei Diskriminatoren dienen sowohl $D_1$D1​ als auch $D_2$D2​ zunächst dazu, generierte Proben von echten zu unterscheiden, während der Generator darauf abzielt, hochwertige Proben zu erzeugen, die beide Diskriminatoren täuschen können. Im Gegensatz zu bestehenden Ansätzen führen wir zusätzlich ein weiteres Spiel zwischen $D_1$D1​ und $D_2$D2​ ein, um deren Übereinstimmung zu verhindern und somit die Vielfalt der generierten Proben zu erhöhen. Diese Eigenschaft lindert das Problem des frühen Mode-Collapse, indem sie eine zu schnelle Konvergenz von $D_1$D1​ und $D_2$D2​ verhindert. Wir führen eine theoretische Analyse des Gleichgewichts des Minimax-Spiels zwischen $G$G, $D_1$D1​ und $D_2$D2​ durch und diskutieren die Konvergenzverhalten sowie die Stabilität des Spiels. Es sei besonders hervorgehoben, dass DuelGAN im unsupervisierten Setting arbeitet und der Wettstreit zwischen $D_1$D1​ und $D_2$D2​ keinerlei Label-Supervision erfordert. Experimentelle Ergebnisse auf einem synthetischen Datensatz sowie auf realen Bild-Datensätzen (MNIST, Fashion MNIST, CIFAR-10, STL-10, CelebA, VGG und FFHQ) zeigen, dass DuelGAN gegenüber konkurrierenden Baseline-Methoden bei der Generierung vielfältiger und hochwertiger Proben deutlich übertrifft, wobei lediglich ein vernachlässigbarer zusätzlicher Rechenaufwand entsteht.