Les réseaux de neurones génératifs adverses (GANs) souffrent souvent d'un effondrement de modes imprévisible au cours de l'entraînement. Nous étudions le problème de l'effondrement des modes du réseau génératif adverse d'équilibre frontière (BEGAN), qui est l'un des modèles génératifs les plus avancés actuellement. Malgré son potentiel pour générer des images de haute qualité, nous constatons que le BEGAN a tendance à s'effondrer sur certains modes après une période d'entraînement. Nous proposons un nouveau modèle, appelé \emph{BEGAN avec un Espace Contraint} (BEGAN-CS), qui intègre une contrainte dans l'espace latent dans la fonction de perte. Nous démontrons que le BEGAN-CS peut considérablement améliorer la stabilité de l'entraînement et supprimer l'effondrement des modes sans augmenter la complexité du modèle ou dégrader la qualité des images. De plus, nous visualisons la distribution des vecteurs latents pour éclaircir l'effet de la contrainte dans l'espace latent. Les résultats expérimentaux montrent que notre méthode présente également l'avantage supplémentaire de pouvoir s'entraîner sur des ensembles de données petits et de générer des images similaires à une image réelle donnée, tout en introduisant des variations d'attributs spécifiques en temps réel.