Les réseaux antagonistes génératifs (GAN) produisent des images de haute qualité, mais leur entraînement s’avère particulièrement difficile. Ils nécessitent une régularisation soigneuse, d’importants volumes de calcul et des parcours coûteux d’hyperparamètres. Nous faisons des progrès significatifs sur ces défis en projetant les échantillons générés et réels dans un espace de caractéristiques fixe et préentraîné. Inspirés par l’observation selon laquelle le discriminateur ne parvient pas à exploiter pleinement les caractéristiques provenant des couches profondes du modèle préentraîné, nous proposons une stratégie plus efficace fondée sur un mélange des caractéristiques à travers les canaux et les résolutions. Notre GAN projeté améliore la qualité des images, l’efficacité échantillonnée et la vitesse de convergence. Il est également compatible avec des résolutions allant jusqu’à un mégapixels, et atteint de nouveaux records sur vingt-deux jeux de données standards en termes de distance de Fréchet Inception (FID). Plus important encore, les GAN projetés atteignent les FID les plus bas atteints précédemment jusqu’à 40 fois plus vite, réduisant ainsi le temps réel d’entraînement de 5 jours à moins de 3 heures, pour des ressources informatiques identiques.