تُنتج الشبكات التوليدية المتنافسة (GANs) صورًا عالية الجودة، لكن تدريبها يُعدّ تحديًا كبيرًا. فهي تتطلب تنظيمًا دقيقًا، وكميات ضخمة من الحوسبة، وعمليات مكلفة لضبط المعلمات الفائقة. نحقق تقدمًا كبيرًا في معالجة هذه التحديات من خلال إجراء عمليات تصوير للعينات المُولَّدة والعينات الحقيقية في فضاء ميزات ثابت ومُدرَّب مسبقًا. مستوحين من الملاحظة التي تشير إلى أن المُصنِّف لا يمكنه استغلال الميزات من الطبقات الأعمق في النموذج المُدرَّب مسبقًا بشكل كامل، نقترح استراتيجية أكثر فعالية تجمع بين الميزات عبر القنوات والدقة المختلفة. تُحسِّن شبكة GAN المُشَكَّلة (Projected GAN) جودة الصور، وفعالية العينات، وسرعة التقارب. كما أنها متوافقة مع دقة تصل إلى ميغابكسل واحد، وتُحدث حالة الفن الحالية في مقياس فريشيت إينسيبشن (FID) على عشرين واثنين من مجموعات البيانات المعيارية. وبشكل مهم، تُحقِّق شبكات GAN المُشَكَّلة نفس أدنى قيم FID السابقة، ولكن بسرعة تصل إلى 40 مرة أسرع، ما يقلل الوقت الفعلي (wall-clock time) من 5 أيام إلى أقل من 3 ساعات، مع استخدام نفس الموارد الحسابية.