Les Réseaux de Génération Adversariaux (GANs) produisent systématiquement des échantillons de meilleure qualité lorsque des informations sur les étiquettes de classe sont fournies, c'est-à-dire dans le cadre des GANs conditionnels. Cela reste vrai pour la formulation récemment proposée des GANs de Wasserstein, qui a stabilisé l'entraînement adversarial et permet d'utiliser des architectures de réseau à forte capacité comme ResNet. Dans ce travail, nous montrons comment améliorer les performances des GANs conditionnels en augmentant les étiquettes de classe disponibles. Les nouvelles classes proviennent d'un regroupement dans l'espace de représentation appris par le même modèle GAN. La stratégie proposée est également applicable lorsque aucune information de classe n'est disponible, c'est-à-dire dans un cadre non supervisé. Nos échantillons générés atteignent des scores Inception d'état de l'art pour les jeux de données CIFAR-10 et STL-10, tant dans le cadre supervisé que non supervisé.