条件付きGANは自然画像合成の最前線に位置しています。これらのモデルの主な欠点は、ラベル付きデータが必要であることです。本研究では、敵対的訓練と自己監督という2つの人気のある非教師あり学習技術を活用し、条件付きGANと非条件付きGANの間のギャップを埋める一歩を踏み出します。特に、ネットワークが表現学習のタスクで協力しつつ、従来のGANゲームにおいては敵対的な関係にあることを許可します。自己監督の役割は、ディスクリミネーターが意味のある特徴表現を学習し、訓練中にそれらを忘れないようにすることです。我々は実験的に学習された画像表現の品質と合成された画像の品質を検証します。同じ条件下で、自己監督型GANは最先端の条件付きモデルに匹敵する性能を達成しました。最後に、この完全な非教師あり学習アプローチがスケーリングされ、無条件ImageNet生成においてFID（Fréchet Inception Distance）23.4を達成できることを示します。