تُعد النماذج التوليدية العميقة ركيزة أساسية في تعلم الآلة الحديث. وقد أظهر العمل الأخير على الشبكات المضادة التوليدية الشرطية أن تعلم التوزيعات المعقدة ذات الأبعاد العالية للصور الطبيعية أصبح في متناول اليد. بينما تستطيع أحدث النماذج إنتاج صور طبيعية عالية الدقة ومتنوعة بدرجة وضوح عالية، فإنها تعتمد على كمية كبيرة من البيانات المصنفة. في هذا البحث، نوضح كيف يمكن الاستفادة من العمل الأخير في مجال التعلم الذاتي والتعلم شبه المشرف لتجاوز أفضل ما تم تحقيقه حتى الآن في كل من التركيب غير المشرف لـ ImageNet وفي الإعداد الشرطي. وبشكل خاص، تمكن النهج المقترح من مطابقة جودة العينات (كما يقاس بواسطة FID) للنموذج الشرطي الرائد BigGAN على ImageNet باستخدام فقط 10٪ من التسميات وتخطيه باستخدام 20٪ من التسميات.