في هذا البحث، نقترح نموذجًا توليديًا جديدًا يُسمى شبكات التضاد التوليدية المتراكمة (Stacked Generative Adversarial Networks - SGAN)، والذي يتم تدريبه على عكس التمثيلات الهرمية لشبكة تمييزية من الأسفل إلى الأعلى. يتكون نموذجنا من مكدس للشبكات التوليدية التضادية (GANs) يعمل من الأعلى إلى الأسفل، حيث يتم تعلم كل شبكة لتوليد تمثيلات ذات مستوى أدنى مشروطة بتمثيلات ذات مستوى أعلى. تم تقديم تمييز التمثيل في كل مستويات الميزات لتشجيع تناغم منحنى التمثيل للمنشئ مع منحنى الشبكة التمييزية من الأسفل إلى الأعلى، مما يستفيد من التمثيلات التمييزية القوية لإرشاد النموذج التوليدي. بالإضافة إلى ذلك، قدمنا خسارة مشروطة تشجع على استخدام المعلومات المشروطة من المستوى العلوي، وخسارة انتروبية جديدة تزيد حد أدنى متغير على الانتروبيا المشروطة لمخرجات المنشئ. نقوم أولًا بتدريب كل مكدس بشكل مستقل، ثم ندرب النموذج بأكمله بطريقة شاملة ومتصلة. على عكس الشبكة التوليدية التضادية الأصلية التي تستعمل متجه ضوضاء واحدًا لتمثيل جميع الاختلافات، فإن شبكتنا SGAN تفكك الاختلافات إلى مستويات متعددة وتقوم بتقليل الغموض تدريجيًا في عملية الإنشاء من الأعلى إلى الأسفل. بناءً على الفحص البصري، درجات Inception والاختبار البصري لـ Turing، نثبت أن SGAN قادرة على إنتاج صور ذات جودة أعلى بكثير من شبكات GAN بدون تراكيب.