Récemment, les espaces hyperboliques dans le cadre de l’apprentissage profond non euclidien ont gagné en popularité en raison de leur capacité à représenter efficacement des données hiérarchiques. Nous proposons d’exploiter la caractéristique hiérarchique présente dans les images en intégrant des réseaux neuronaux hyperboliques dans une architecture de GAN. Dans cette étude, différentes configurations utilisant des couches entièrement connectées hyperboliques dans les architectures GAN, CGAN et WGAN sont testées, que nous désignons respectivement comme HGAN, HCGAN et HWGAN. Les performances sont évaluées à l’aide du score Inception (IS) et de la distance de Fréchet Inception (FID) sur le jeu de données MNIST. Selon la configuration et la courbure de l’espace, de meilleurs résultats sont obtenus pour chaque version hyperbolique proposée par rapport à ses homologues euclidiens.