生成对抗网络（Generative Adversarial Networks, GANs）的训练众所周知非常脆弱，需要在生成器和判别器之间保持微妙的平衡才能取得良好的性能。为了解决这一问题，我们引入了一种新的正则化技术——渐进增强GANs（Progressive Augmentation of GANs, PA-GAN）。该方法的核心思想是通过逐步扩展判别器的输入或特征空间来逐渐增加其任务难度，从而实现生成器的持续学习。我们证明了所提出的渐进增强方法保留了原始GAN的目标函数，不会损害判别器的最优性，并且促进了生成器和判别器之间的良性竞争，最终导致性能更优的生成器。我们在不同的架构和多个图像合成基准测试中实验验证了PA-GAN的有效性，平均提高了约3个点的FID分数。