生成対抗ネットワーク（GAN）のモード崩壊と勾配消失を緩和する効果的な学習アルゴリズムを紹介します。当システムでは、ジェネレータにオートエンコーダ（AE）による制約を課しています。私たちは、AEから再構築されたサンプルを識別器にとって「真実」のサンプルとして扱うための定式化を提案します。これにより、AEの収束と識別器の収束が連携し、識別器の収束が効果的に遅くなり、勾配消失が軽減されます。特に重要なのは、ジェネレータの改善のために2つの新しい距離制約を提案している点です。第一に、潜在データ距離制約を提案して、潜在サンプル間の距離と対応するデータサンプル間の距離との適合性を確保します。この制約を使用して、ジェネレータがモード崩壊しないように明示的に防止します。第二に、識別器スコア距離制約を提案して、生成されたサンプルの分布が真実のサンプルの分布と一致するように識別器スコアを通じて調整します。この制約を使用して、ジェネレータが真実に似たサンプルを合成するよう導きます。これらの距離制約を使用した私たちが提案するGAN（Dist-GAN）は、合成データセット、MNIST、MNIST-1K、CelebA、CIFAR-10およびSTL-10データセットなどのベンチマークデータセットにおいて最先端手法よりも優れた結果を得ることができます。研究用にコードは以下で公開されています（https://github.com/tntrung/gan）。