[DCGAN]求めているResultにならない

前提・実現したいこと

初めて質問させていただきます。拙いところがあるかもしれませんがご理解ください。

私は、DCGANでMNIST手書き数字のようなものを生成しようとしています。

発生している問題・エラーメッセージ

以前は成功していたのですが、どこかのコードを弄ってしまったのか現在はうまく生成できなくなってしまいました...
具体的には下のような生成結果になります。
ミニバッチ数256で5000イテレーションほど学習した結果です。

橙: Discriminator 青: Generatorです。

2000~2750イテレーションでの結果はこんな感じです。

以前は2000~2750イテレーションほどでこれくらいのresultを出していました。

ソースコード

Generator

python
1class Generator(tf.keras.Model):
2    def __init__(self, input_shape):
3        super().__init__()
4
5        parm = int(input_shape[1] / 4)
6            
7        noise_shape = (100,)
8
9        self.dens1 = kl.Dense(parm*parm*128, input_shape=noise_shape)
10        self.bn1 = kl.BatchNormalization()
11        self.act1 = kl.Activation(tf.nn.tanh)
12
13        self.re = kl.Reshape((parm,parm,128), input_shape=(128*parm*parm,))
14        self.ups1 = kl.UpSampling2D((2,2))
15
16        self.conv1 = kl.Conv2D(64, 5, padding="same", activation="tanh")
17        self.ups2 = kl.UpSampling2D((2,2))
18        self.conv2 = kl.Conv2D(1, 5, padding="same", activation="tanh")
19
20    def call(self, x):
21
22        d1 = self.act1(self.bn1(self.dens1(x)))
23        d2 = self.ups1(self.re(d1))
24        d3 = self.ups2(self.conv1(d2))
25        d4 = self.conv2(d3)
26
27        return d4

Discriminator

python
1class Discriminator(tf.keras.Model):
2    def __init__(self, input_shape):
3        super().__init__()
4
5        input_shape = input_shape[1:4]
6        
7        self.conv1 = kl.Conv2D(64, 5, strides=2, padding="same", activation="tanh", input_shape=input_shape)
8
9        self.conv2 = kl.Conv2D(128, 5, strides=2, padding="same", activation="tanh")
10
11        self.flt = kl.Flatten()
12
13        self.dens1 = kl.Dense(1024, activation="tanh")
14        self.dens2 = kl.Dense(1, activation="sigmoid")
15
16    def call(self, x):    
17
18        d1 = self.conv1(x)
19        d2 = self.conv2(d1)
20        d3 = self.dens1(self.flt(d2))
21        d4 = self.dens2(d3)
22
23        return d4

最適化アルゴリズムはAdamで、損失関数はBinaryCrossentropyです。

Train(主な部分のみ)

python
1        h_batch = int(batch_size / 2)
2        real_y = np.ones((h_batch, 1)) # Discriminatorラベル(本物データ)
3        fake_y = np.zeros((h_batch, 1)) # Discriminatorラベル(偽物データ)
4        valid_y = np.array([1] * batch_size) # Generatorラベル
5        
6        # 学習
7        for ite in range(iteration):
8
9            # 生成画像取得
10            noise = np.random.normal(0, 1, (h_batch, 100)) # 入力データ作成
11            gen_imgs = self.generator.predict(noise)
12
13            # 学習データピックアップ
14            idx = np.random.randint(0, tr_images.shape[0], h_batch)
15            imgs = tr_images[idx]
16
17            # Discriminator 学習
18            self.discriminator.trainable = True # Discriminator学習有効
19            d_loss_real = self.discriminator.train_on_batch(imgs, real_y)   # 本物データに対する学習
20            d_loss_fake = self.discriminator.train_on_batch(gen_imgs, fake_y) # 偽物データに対する学習
21            d_loss = 0.5 * np.add(d_loss_real, d_loss_fake) # 平均損失値
22
23            noise = np.random.normal(0, 1, (batch_size, 100)) # 入力データ作成
24
25            # Generator 学習
26            self.model.discriminator.trainable = False # Discriminator学習無効
27            g_loss = self.model.train_on_batch(noise, valid_y)

詳細はGitHubリポジトリを見てもらえればと思います...

この実装でおかしいところがあれば教えていただきたいです。

試したこと

DiscriminatorやGeneratorの活性化関数をLeakyReLUにした
DiscriminatorやGeneratorの活性化関数をReLUにした
DiscriminatorのConvolutionを増やした
DiscriminatorのDenseを増やした
DiscriminatorのConvolutionやDenseのハイパーパラメータを弄った
GeneratorのConvolutionを増やした
GeneratorのDenseを増やした
GeneratorのConvolutionのハイパーパラメータを弄った

これらをやってみましたが、変わらないどころか悪化しました。