Nous présentons LR-GAN : un modèle de génération d'images par réseaux adverses qui prend en compte la structure et le contexte de la scène. Contrairement aux réseaux adverses génératifs (GANs) précédents, le GAN proposé apprend à générer les arrière-plans et les premiers plans des images séparément et de manière récursive, puis à assembler les premiers plans sur l'arrière-plan de manière contextuellement pertinente pour produire une image naturelle complète. Pour chaque premier plan, le modèle apprend à générer son apparence, sa forme et sa posture. Le modèle dans son ensemble est non supervisé et est formé de manière end-to-end avec des méthodes de descente de gradient. Les expériences démontrent que LR-GAN peut générer des images plus naturelles avec des objets plus reconnaissables par l'humain que DCGAN.