尽管在生成图像建模方面取得了近期进展，但从复杂数据集（如ImageNet）中成功生成高分辨率、多样化的样本仍然是一个难以实现的目标。为此，我们尝试了迄今为止最大规模的生成对抗网络（Generative Adversarial Networks, GANs）训练，并研究了特定于这种规模的不稳定性。我们发现，对生成器应用正交正则化可以使其适用于简单的“截断技巧”（truncation trick），通过减少生成器输入的方差来精细控制样本保真度和多样性之间的权衡。我们的修改导致了在类别条件图像合成方面达到新的技术水平的模型。当在128x128分辨率的ImageNet上进行训练时，我们的模型（BigGANs）达到了166.5的Inception分数（IS）和7.4的Frechet Inception距离（FID），相比之前最佳的IS 52.52和FID 18.6有了显著提升。