生成対抗ネットワークの新しい訓練手法について説明します。本手法の主要なアイデアは、ジェネレータとディスクリミネータを段階的に拡大することです：低解像度から始め、訓練が進むにつれて徐々に詳細を表現する新たな層を追加していきます。これにより、訓練が高速化されるとともに大幅に安定し、これまでにない品質の画像（例：1024^2解像度のCelebA画像）を生成することが可能になります。また、生成された画像の多様性を増加させる簡単な方法も提案し、非教師付きCIFAR10で記録的なインセプションスコア8.80を達成しました。さらに、ジェネレータとディスクリミネータ間の健全でない競争を抑制するために重要ないくつかの実装詳細についても説明します。最後に、画像の品質と多様性の両面からGANの結果を評価する新しい指標を提案します。追加的な貢献として、より高品質なCelebAデータセットを作成しました。