生成対抗ネットワーク（GANs）の訓練は、しばしば不安定であり、高性能を達成するためにはジェネレータとディスクリミネータの間で慎重なバランスを保つ必要があります。この問題を緩和するために、新しい正則化技術である進行的な拡張（Progressive Augmentation of GANs: PA-GAN）を提案します。本手法の主なアイデアは、ディスクリミネータの入力または特徴空間を段階的に拡大することで、タスクの難易度を徐々に高め、ジェネレータの継続的な学習を可能にすることです。我々は、提案された進行的な拡張が元のGAN目的関数を維持し、ディスクリミネータの最適性を損なうことなく、ジェネレータとディスクリミネータ間の健全な競争を促進し、より高性能なジェネレータにつながることを示しています。実験結果から、PA-GANは異なるアーキテクチャや複数のベンチマークにおいて画像合成タスクで効果的であり、平均してFIDスコアで約3ポイントの改善が見られることを確認しました。