표준 생성적 적대 신경망(SGAN)에서 판별자는 입력 데이터가 진짜일 확률을 추정합니다. 생성자는 가짜 데이터가 진짜일 확률을 높이는 방향으로 훈련됩니다. 우리는 다음과 같은 이유로 진짜 데이터가 진짜일 확률을 동시에 낮추는 것이 필요하다고 주장합니다: 1) 미니 배치의 절반은 가짜 데이터라는 사전 지식을 반영해야 하기 때문입니다, 2) 발산 최소화 과정에서 이 현상이 관찰되기 때문입니다, 3) 최적 조건에서는 SGAN이 적분 확률 메트릭(IPM) GAN과 동등해질 것입니다. 이 특성을 유도하기 위해 상대론적 판별자를 사용할 수 있습니다. 상대론적 판별자는 주어진 진짜 데이터가 임의로 샘플링된 가짜 데이터보다 더 현실적인지 여부를 추정합니다. 또한 판별자가 주어진 진짜 데이터가 평균적으로 가짜 데이터보다 더 현실적인지 여부를 추정하는 변형도 제시합니다. 우리는 이러한 두 접근법을 비표준 GAN 손실 함수에도 일반화하여 각각 상대론적 GAN(RGANs)와 상대론적 평균 GAN(RaGANs)이라고 부릅니다. 우리는 IPM 기반 GAN이 항등 함수를 사용하는 RGAN의 부분 집합임을 보여줍니다. 경험적으로, 다음과 같은 결과를 관찰하였습니다: 1) RGANs와 RaGANs는 비상대론적 대응 모델보다 훨씬 안정적이며 더 높은 품질의 데이터 샘플을 생성합니다, 2) 그래디언트 패널티를 사용한 표준 RaGAN은 WGAN-GP보다 더 좋은 품질의 데이터를 생성하면서도 생성자 업데이트당 단 하나의 판별자 업데이트만 필요하여 (최신 기술에 도달하는 시간을 400% 줄임), 3) RaGANs는 매우 작은 샘플(N=2011)에서도 가능한 고해상도 이미지(256x256)를 생성할 수 있으며, GAN과 LSGAN은 이를 할 수 없습니다; 이러한 이미지는 WGAN-GP와 SGAN에 스펙트럼 정규화를 적용한 경우보다도 훨씬 더 우수한 품질을 보입니다.