حققت نماذج التوليد الشرطية تقدماً ملحوظاً على مدى السنوات القليلة الماضية. من بين النماذج الشرطية الشائعة هو نموذج AC-GAN (GAN المصنف المساعد)، الذي يولد صورًا ذات تمييز عالٍ من خلال توسيع دالة الخسارة لـ GAN بمصنف مساعد. ومع ذلك، فإن تنوع العينات المولدة بواسطة AC-GAN يميل إلى الانخفاض مع زيادة عدد الفئات، مما يحد من قوتها في التعامل مع البيانات الكبيرة الحجم. في هذا البحث، نحدد مصدر مشكلة انخفاض التنوع نظريًا ونقترح حلًا عمليًا لحل المشكلة. نوضح أن المصنف المساعد في AC-GAN يفرض فصلًا كاملاً، وهو ما يكون غير مواتٍ عندما تكون هناك تداخلات كبيرة بين دعم توزيعات الفئات. للتعامل مع هذه المشكلة، نقترح استخدام TAC-GAN (GAN المصنفين المساعدين المزدوجين) الذي يستفيد بشكل إضافي من لاعب جديد يتفاعل مع اللاعبين الآخرين (المولد والمميز) في GAN. نظريًا، نثبت أن TAC-GAN يمكنه تقليل الاختلاف بين توزيعات البيانات المولدة والبيانات الحقيقية بشكل فعال. تظهر النتائج التجريبية الواسعة أن TAC-GAN الخاص بنا يمكنه بنجاح تقليد توزيعات البيانات الحقيقية على البيانات المحاكاة، وتحسين التنوع في توليد الصور الشرطية حسب الفئة بشكل كبير على مجموعة بيانات حقيقية.