我们提出了一种新的生成对抗网络（Generative Adversarial Networks, GANs）训练方法。该方法的核心思想是逐步增加生成器和判别器的复杂度：从低分辨率开始，随着训练的进行，逐渐添加新的层以建模越来越精细的细节。这不仅加快了训练速度，还极大地提高了训练的稳定性，使我们能够生成前所未有的高质量图像，例如分辨率为1024×1024的CelebA图像。此外，我们还提出了一种简单的方法来增加生成图像的多样性，并在无监督CIFAR-10数据集上取得了8.80的创纪录Inception分数。另外，我们详细描述了几项重要的实现细节，这些细节有助于抑制生成器和判别器之间的不良竞争。最后，我们建议了一种新的评估GAN结果的方法，该方法既考虑了图像的质量也考虑了图像的多样性。作为额外贡献，我们构建了一个更高质量版本的CelebA数据集。