La mecánica cuántica estudia la naturaleza y su comportamiento a escala de átomos y partículas subatómicas. Al aplicar la mecánica cuántica, se pueden resolver muchos problemas de una manera más conveniente gracias a sus propiedades cuánticas especiales, como la superposición y el entrelazamiento. En la actual era cuántica de escala intermedia ruidosa, la mecánica cuántica encuentra su uso en varios campos de la vida. Siguiendo esta tendencia, los investigadores buscan potenciar el aprendizaje automático de manera cuántica. La red generativa adversaria (GAN), una importante invención de aprendizaje automático que resuelve de manera excelente tareas generativas, también se ha extendido con versiones cuánticas. Desde la primera publicación de un GAN cuántico (QuGAN) en 2018, se han sugerido muchas propuestas de QuGAN. Un QuGAN puede tener una arquitectura completamente cuántica o híbrida cuántico-clásica, que puede necesitar un procesamiento adicional de datos en la interfaz cuántico-clásica. Al igual que en los GAN clásicos, los QuGANs se entrenan utilizando una función de pérdida en forma de máxima verosimilitud, distancia de Wasserstein o variación total. Los gradientes de la función de pérdida se pueden calcular aplicando el método de cambio de parámetro o una combinación lineal de unitarios para actualizar los parámetros de las redes. En este documento, revisamos los avances recientes en los QuGANs cuánticos. Discutimos las estructuras, optimización y estrategias de evaluación de redes de QuGANs. Se presentan en detalle diferentes variantes de QuGANs cuánticos.