生成对抗网络 (GAN) 采用生成器模型来生成假样本和判别器模型的想法，该模型试图确定它接收到的图像是假的（即来自生成器的）还是真实的样本。这最初是用相对简单的全连接网络显示的。

深度卷积GAN (DCGAN)做了非常相似的事情，但特别侧重于使用深度C卷积网络来代替那些完全连接的网络。卷积网络通常会在图像中找到相关区域，也就是说，它们会寻找空间相关性。这意味着 DCGAN 可能更适合图像/视频数据，而 GAN 的一般思想可以应用于更广泛的领域，因为模型细节可以由单个模型架构来解决。

提出 DCGANs 的链接论文特别提出了无监督学习的主题，并且本质上想将（当时）最近成功的卷积网络与 GAN 的新理念结合起来。

我也找不到任何关于何时使用它们的直接比较，但有很多文章解释了这两种模型。这是一个很好的起点——读完之后，您可能可以自己决定。

关于维度 - 我认为您的数据维度不会决定选择两种变体中的哪一种，当然会影响我们始终必须考虑的事情，例如训练时间、模型复杂性、学习能力等在。