生成対抗ネットワーク（GAN）は、望ましいデータ分布から高品質かつ現実的な画像を生成する能力に優れているため、近年注目を集めている。本研究では、GANの性能向上を図るため、改良型活性化関数、新規な学習戦略、およびネットワークの圧縮に適した適応的ランク分解法の開発を提案する。提案する活性化関数である「パラメトリック・ミッシュ（PMish）」は、学習可能なパラメータを自動調整することで、活性化関数の滑らかさと形状を制御可能にする。本手法では、画像生成に最適なネットワーク構造を探索するためにニューラルアーキテクチャ探索（NAS）を活用するとともに、敵対的学習に最大平均差分（MMD）反発損失を用いる。提案する新規な学習戦略は、有界MMD-GAN反発損失の上限を段階的に増加させることで、性能の向上を実現する。さらに、提案する適応的ランク分解（ARD）法により、生成性能への影響を最小限に抑えつつネットワークの複雑性を低減し、リソース制約のあるプラットフォームへの効率的な展開を可能にする。これらの技術的進展の有効性は、CIFAR-10、CIFAR-100、STL-10、CelebAといった標準的なベンチマークデータセット上で厳密に検証され、既存手法に比べて顕著な性能向上が確認された。実装コードは以下のURLで公開されている：https://github.com/PrasannaPulakurthi/MMD-PMish-NAS