在图像生成任务中，生成式人工智能主要使用生成对抗网络（GANs）和自编码器（Autoencoder）来创建新的图像或进行图像转换。以下是对这些技术的专业分析：

A: 生成对抗网络（GANs）
生成对抗网络（GANs）是由一个生成器和一个判别器组成的双网络结构。生成器负责生成逼真的图像，而判别器则负责区分生成的图像和真实图像。通过这种对抗训练，生成器能够逐渐生成越来越逼真的图像。GANs在图像生成、图像修复、图像超分辨率等任务中表现出色。

B: 自编码器（Autoencoder）
自编码器是一种神经网络结构，包含编码器和解码器两个部分。编码器将输入图像压缩到一个低维的潜在空间表示，解码器则将这个潜在表示重构为原始图像。变分自编码器（VAE）是自编码器的一种变体，通过在潜在空间中加入概率分布的约束，使得生成的图像更加多样化和逼真。自编码器在图像去噪、图像修复和图像生成等任务中有广泛应用。

C: 决策树
决策树是一种非参数的监督学习方法，主要用于分类和回归任务。决策树通过构建树状模型来对数据进行分类或预测。由于决策树不具备生成新的图像或进行图像转换的能力，因此不适用于图像生成任务。

D: 循环神经网络（RNN）
循环神经网络（RNN）主要用于处理序列数据，如时间序列、文本等。虽然RNN在处理序列数据方面表现出色，但它并不适合用于图像生成任务。图像生成通常需要处理高维度的空间数据，而RNN更擅长处理一维的时间序列数据。

综上所述，正确答案是A: 生成对抗网络（GANs）和B: 自编码器（Autoencoder）。这两种技术通过学习图像数据的特征和分布，能够生成高质量的图像。