بينما حققت شبكات المولدات المعادية التوليدية (GANs) نجاحات كبيرة في مهام تركيب الصور، إلا أنها تُعتبر صعبة التكيف مع مجموعة متنوعة من قواعد البيانات، جزئيًا بسبب عدم الاستقرار أثناء التدريب والحساسية لـ المعلمات الفائقة (hyperparameters). أحد الأسباب الشائعة لهذا عدم الاستقرار هو أن التدرجات التي تنتقل من المميز إلى المولد تصبح غير مفيدة عندما لا يكون هناك تداخل كافٍ بين دعائم التوزيع الحقيقي والتوزيع الزائف. في هذا البحث، نقترح شبكة MSG-GAN، وهي تقنية بسيطة ولكنها فعالة للتعامل مع هذه المشكلة من خلال السماح بتدفق التدرجات من المميز إلى المولد على مستويات متعددة. توفر هذه التقنية طريقة مستقرة لإنتاج الصور عالية الدقة، وتعمل كبديل للتقنية المستخدمة بشكل شائع والتي تعتمد على النمو التدريجي (progressive growing). نوضح أن MSG-GAN تتقارب بشكل مستقر على مجموعة متنوعة من قواعد بيانات الصور ذات الأحجام والدقات والأطر المختلفة، وكذلك أنواع مختلفة من وظائف الخسارة والهياكل، وكل ذلك باستخدام نفس مجموعة المعلمات الفائقة الثابتة. عند مقارنتها بالشبكات GAN الرائدة حاليًا، فإن نهجنا يطابق أو يتفوق على الأداء في معظم الحالات التي جربناها.