Dans cet article, nous proposons d'équiper les Réseaux de Neurones Générateurs Adverses (Generative Adversarial Networks) avec la capacité de produire des estimations d'énergie directes pour les échantillons. Plus précisément, nous présentons un cadre de formation adverse flexible et démontrons que ce cadre non seulement garantit que le générateur converge vers la distribution de données réelle, mais permet également au discriminateur de conserver l'information de densité à l'optimum global. Nous dérivons la forme analytique de la solution induite et analysons ses propriétés. Pour rendre le cadre proposé praticable en termes de formation, nous introduisons deux techniques d'approximation efficaces. Les résultats expérimentaux montrent une correspondance étroite avec notre analyse théorique, confirmant ainsi que le discriminateur est capable de restituer l'énergie de la distribution des données.