Les réseaux de neurones adverses génératifs (GANs) [Goodfellow et al. 2014] ont connu des difficultés pour converger dans un cadre haute résolution en raison de la capacité mémoire limitée des GPU et du manque connu de stabilité de la vitesse de convergence. Pour améliorer la convergence du réseau DCGAN (Deep Convolutional Generative Adversarial Networks) [Radford et al. 2016] et obtenir des résultats haute résolution de bonne qualité, nous proposons un nouveau réseau à couches, l'HDCGAN, qui intègre les techniques les plus avancées actuellement disponibles à cet effet. Nous présentons également le mécanisme "Glasses", qui permet d'améliorer arbitrairement les résultats finaux générés par le GAN en agrandissant la taille de l'entrée grâce à un télescope ζ. Un nouveau jeu de données sans biais, Curtó & Zarza, contenant des visages humains appartenant à différents groupes ethniques dans une grande variété de conditions d'éclairage et de résolutions d'image est introduit. Le Curtó est enrichi avec des images synthétiques générées par l'HDCGAN, constituant ainsi le premier jeu de données facial augmenté par un GAN. Nous menons des expériences approfondies sur CelebA [Liu et al. 2015], CelebA-hq [Karras et al. 2018] et Curtó. L'HDCGAN représente actuellement l'état de l'art en génération d'images synthétiques sur CelebA, atteignant un MS-SSIM de 0,1978 et une distance Fréchet Inception (FID) de 8,44.