In dieser Arbeit schlagen wir ein neues generatives Modell vor, das als gestapelte Generative Adversarial Networks (SGAN) bezeichnet wird und zur Invertierung der hierarchischen Darstellungen eines bottom-up Diskriminativen Netzwerks trainiert wird. Unser Modell besteht aus einer top-down gestapelten Anordnung von GANs, wobei jedes GAN gelernt wird, niedrigere Darstellungen unter Berücksichtigung höherer Darstellungen zu erzeugen. An jeder Feature-Hierarchie wird ein Darstellungs-Diskriminator eingeführt, um die Darstellungsmannigfaltigkeit des Generators mit der des bottom-up Diskriminativen Netzwerks in Einklang zu bringen und die leistungsfähigen diskriminativen Darstellungen zur Steuerung des generativen Modells zu nutzen. Zudem führen wir einen bedingten Verlust ein, der die Nutzung von bedingenden Informationen aus der darüberliegenden Schicht fördert, sowie einen neuen Entropieverlust, der eine variationelle untere Schranke an die bedingte Entropie der Generatorausgaben maximiert. Zunächst trainieren wir jede Schicht unabhängig voneinander und trainieren dann das gesamte Modell end-to-end. Im Gegensatz zum ursprünglichen GAN, das einen einzelnen Rauschvektor verwendet, um alle Variationen darzustellen, zerlegt unser SGAN die Variationen in mehrere Ebenen und löst die Unsicherheiten im top-down generativen Prozess schrittweise auf. Basierend auf visueller Inspektion, Inception-Scores und visuellem Turing-Test zeigen wir, dass SGAN in der Lage ist, Bilder von deutlich höherer Qualität zu erzeugen als GANs ohne Stapelung.