条件付き生成対抗ネットワーク（cGAN）は、GANにクラス情報を組み込むことで現実的な画像を生成する。特に人気のあるcGANの一つとして、ソフトマックス交差エントロピー損失を用いた補助分類器GAN（ACGAN）があるが、データセットのクラス数が増加するにつれてACGANの学習は困難であることが広く知られている。また、ACGANは多様性に欠け、容易に分類可能なサンプルを生成しやすいという問題も指摘されている。本論文では、ACGANのこれらの課題を解決する二つの手法を提案する。第一に、分類器における勾配爆発が学習初期段階での不適切な崩壊を引き起こす原因であることを特定し、入力ベクトルを単位超球面上に射影することでこの問題を解消できることを示す。第二に、クラスラベル付きデータセットに内在する関係性を活用するため、データ間の交差エントロピー損失（Data-to-Data Cross-Entropy loss, D2D-CE）を提案する。これらの基盤の上に、再起動型補助分類器生成対抗ネットワーク（Rebooted Auxiliary Classifier Generative Adversarial Network, ReACGAN）を構築した。実験結果から、ReACGANはCIFAR10、Tiny-ImageNet、CUB200、ImageNetの各データセットにおいて、最先端の生成性能を達成することが確認された。また、ReACGANが微分可能なデータ拡張の恩恵を受けること、およびD2D-CEがStyleGAN2アーキテクチャと良好に統合されることも実証した。本研究で用いたモデル重みおよび、代表的なcGANと本論文のすべての実験を実装したソフトウェアパッケージは、https://github.com/POSTECH-CVLab/PyTorch-StudioGAN にて公開されている。