Generative Adversarial Networks (GANs) erzeugen hochwertige Bilder, sind jedoch schwer zu trainieren. Sie erfordern eine sorgfältige Regularisierung, erhebliche Rechenleistung und kostspielige Hyperparameter-Sweeps. Wir erzielen erhebliche Fortschritte bei diesen Herausforderungen, indem wir generierte und echte Daten in einen festen, vortrainierten Merkmalsraum projizieren. Ausgehend von der Beobachtung, dass der Diskriminator die Merkmale tief liegender Schichten des vortrainierten Modells nicht vollständig ausnutzen kann, schlagen wir eine effektivere Strategie vor, die Merkmale über Kanäle und Auflösungen hinweg mischt. Unser Projected GAN verbessert die Bildqualität, die Stichprobeneffizienz und die Konvergenzgeschwindigkeit. Zudem ist er mit Auflösungen bis zu einem Megapixel kompatibel und erreicht auf zwanzig zwei Benchmark-Datensätzen den bisher besten Stand der Technik im Fréchet-Inception-Distance (FID). Wichtig ist, dass Projected GANs die bisher niedrigsten FID-Werte bis zu 40-mal schneller erreichen – die Wanduhrzeit sinkt bei gleicher Rechenressource von fünf Tagen auf unter drei Stunden.