clean image generator とともにノイズを生成する noise generator を学習する。 ノイズが信号と独立であるか非独立であるか、また、noise generator (G_n) がノイズ要素のみを捉えるようにするためのノイズの分布と変換に関する制約・仮定を考慮して、いくつかの派生モデルを考案。

CIFAR-10 を使った152条件にわたる広範な実験での FID 評価は、NR-GANs が他の手法 (通常の GAN や同様の手法だがノイズの生成過程が既知であるとする AmbientGAN など) と比較して全体的に高評価であった。より複雑な LSUN Bedroom や FFHQ といったデータセットでも同様であった。