غالبًا ما تعاني شبكات التوليد المتنافسة (GANs) من الانهيار غير المتوقع للنمط أثناء التدريب. ندرس مشكلة انهيار النمط في شبكة التوليد المتنافسة بالتساوي الحدودي (BEGAN)، وهي واحدة من أحدث نماذج التوليد. رغم إمكاناتها في توليد صور عالية الجودة، نجد أن BEGAN تميل إلى الانهيار في بعض الأنماط بعد فترة من التدريب. نقترح نموذجًا جديدًا يُسمى \emph{BEGAN مع فضاء مقيد} (BEGAN-CS)، والذي يشمل قيدًا للفضاء الكامن في دالة الخسارة. نوضح أن BEGAN-CS يمكن أن تحسن بشكل كبير استقرار التدريب وتقلل من انهيار النمط دون زيادة تعقيد النموذج أو تدهور جودة الصور. علاوة على ذلك، نقوم بتصویر توزيع المتجهات الكامنة لتوضيح تأثير قيد الفضاء الكامن. تظهر النتائج التجريبية أن طريقة اقتراحنا لديها مزايا إضافية مثل القدرة على التدريب باستخدام مجموعات بيانات صغيرة وإنتاج صور مشابهة للصورة الحقيقية المعطاة مع اختلافات في الصفات المحددة على الفور.