L'entraînement des réseaux de neurones génératifs adverses (GANs) est notoirement fragile, nécessitant de maintenir un équilibre délicat entre le générateur et le discriminateur pour fonctionner correctement. Pour atténuer ce problème, nous introduisons une nouvelle technique de régularisation : l'augmentation progressive des GANs (PA-GAN). L'idée centrale est d'augmenter progressivement la difficulté de la tâche du discriminateur en enrichissant graduellement son espace d'entrée ou d'features, ce qui permet au générateur d'apprendre continuellement. Nous montrons que cette augmentation progressive préserve l'objectif initial des GANs, ne compromet pas l'optimalité du discriminateur et favorise une compétition saine entre le générateur et le discriminateur, conduisant ainsi à un générateur plus performant. Nous démontrons expérimentalement l'efficacité de PA-GAN sur différentes architectures et sur plusieurs benchmarks pour la tâche de synthèse d'images, obtenant en moyenne une amélioration d'environ 3 points du score FID.