我々は、典型的な生成対抗ネットワーク（GAN）の構造が階層的な畳み込み型であるにもかかわらず、合成プロセスが絶対的な画素座標に不健全な依存を示すことに注目した。これは、例えば、細部が描かれた物体の表面ではなく、画像座標に「接着」されているように見えるといった形で現れる。この原因を、生成器ネットワーク内にアリasing（混 aliasing）を引き起こす不注意な信号処理に求めた。ネットワーク内のすべての信号を連続的なものと解釈することで、一般に適用可能な微小なアーキテクチャ上の変更を導出し、不要な情報が階層的合成プロセスに漏れ込むことを保証的に防ぐことが可能になった。このようにして得られたネットワークは、StyleGAN2と同等のFIDスコアを達成するが、内部表現において顕著な違いを示し、画素以下のスケールでも完全に並進および回転に不変（equivariant）である。本研究の成果は、動画やアニメーションに適した生成モデルの実現に向けて道を開くものである。