Die Schulung von Generativen Wettbewerbsnetzen (GANs) ist bekanntermaßen anfällig und erfordert eine sorgfältige Balance zwischen Generator und Diskriminator, um gut zu funktionieren. Um dieses Problem zu mildern, führen wir eine neue Regularisierungstechnik ein – die progressive Erweiterung von GANs (PA-GAN). Das Kernkonzept besteht darin, die Aufgabenkomplexität des Diskriminators allmählich zu erhöhen, indem man dessen Eingabe- oder Merkmalsraum schrittweise erweitert. Dies ermöglicht es dem Generator, kontinuierlich zu lernen. Wir zeigen, dass die vorgeschlagene progressive Erweiterung das ursprüngliche GAN-Ziel beibehält, die Optimalität des Diskriminators nicht beeinträchtigt und einen gesunden Wettbewerb zwischen Generator und Diskriminator fördert, was letztendlich zu einem leistungsfähigeren Generator führt. In experimentellen Untersuchungen beweisen wir die Effektivität von PA-GAN über verschiedene Architekturen hinweg und an mehreren Benchmarks für die Aufgabe der Bildsynthese, wobei durchschnittlich eine Verbesserung des FID-Scores um etwa 3 Punkte erreicht wird.