L’entraînement des réseaux génératifs adverses (GAN) sur des images de haute fidélité nécessite généralement des clusters GPU à grande échelle et un très grand nombre d’images d’entraînement. Dans cet article, nous étudions la tâche de synthèse d’images en peu d’exemples (few-shot image synthesis) pour les GAN, avec un coût informatique minimal. Nous proposons une architecture GAN légère qui atteint une qualité supérieure à une résolution de 1024×1024. Notamment, le modèle converge à partir de zéro en seulement quelques heures d’entraînement sur une seule GPU RTX-2080, tout en maintenant des performances stables, même avec moins de 100 échantillons d’entraînement. Deux innovations techniques fondent notre approche : un module d’excitation canal par canal à saut de couche (skip-layer channel-wise excitation module), et un discriminateur auto-supervisé entraîné comme encodeur de caractéristiques. Sur treize jeux de données couvrant une large variété de domaines d’images (les données et le code sont disponibles à l’adresse : https://github.com/odegeasslbc/FastGAN-pytorch), nous démontrons que notre modèle surpasse de manière significative l’état de l’art, notamment StyleGAN2, lorsque les ressources de données et de calcul sont limitées.