نقدم مجموعة متنوعة من الخصائص المعمارية الجديدة وإجراءات التدريب التي نطبقها على إطار الشبكات المولدة المعادية (GANs). نركز على تطبيقيْن للشبكات المولدة المعادية: التعلم شبه الإشرافي، وإنشاء صور يجدها البشر واقعية بصريًا. على عكس معظم الأبحاث حول النماذج المولدة، هدفنا الرئيسي ليس تدريب نموذج يمنح بيانات الاختبار احتمالية عالية، كما أننا لا نشترط قدرة النموذج على التعلم بشكل جيد دون استخدام أي ملصقات. باستخدام تقنياتنا الجديدة، حققنا أفضل النتائج في تصنيف التعلم شبه الإشرافي على MNIST، CIFAR-10 و SVHN. الصور المولدة ذات جودة عالية كما أكده اختبار تورينغ البصري: يُنتج نموذجنا عينات MNIST لا يمكن للبشر تمييزها عن البيانات الحقيقية، وعينات CIFAR-10 تحقق معدل خطأ بشري قدره 21.3%. كما نقدم عينات ImageNet بدرجة دقة غير مسبوقة ونوضح أن طرقنا تمكن النموذج من تعلم خصائص قابلة للتعرف لفئات ImageNet.