تُعدّ عدم الاستقرار في تدريب الشبكات التوليدية التنافسية (GAN) مشكلة قديمة رغم الجهود البحثية المتميزة المبذولة. نحن نحدد أن هذه المشكلات تنشأ من الصعوبات الناتجة عن محاكاة الميزات باستخدام إحصائيات الحزم الصغيرة، نتيجة التوازن الهش بين التوزيع المستهدف الثابت والتوزيع المُولَّد تدريجيًا. في هذا العمل، نقترح طريقة تُسمى "كمّية الميزات" (FQ) للمنفصل (Discriminator)، والتي تُدمج عينات البيانات الحقيقية والمحفوظة في فضاء منفصل مشترك. وتُبنى القيم المُكمّلة في FQ كقائمة متطورة (مُتغيرة) تتماشى مع إحصائيات الميزات الخاصة بتاريخ التوزيع الأخير. وبالتالي، تُمكّن FQ بشكل ضمني من محاكاة الميزات القوية في فضاء مدمج. يمكن دمج طريقة FQ بسهولة في نماذج GAN الحالية، مع تكلفة حسابية ضئيلة أثناء التدريب. تم تطبيق FQ على ثلاث نماذج ممثلة من GAN على تسع معايير: BigGAN لتوليد الصور، وStyleGAN لتركيب الوجوه، وU-GAT-IT للتحويل غير المراقب للصور إلى صور. تُظهر النتائج التجريبية الواسعة أن نموذج FQ-GAN المُقترح يمكنه تحسين مؤشر FID بشكل كبير مقارنة بالأساليب الأساسية على مجموعة متنوعة من المهام، محققًا أداءً جديدًا يُعدّ الأفضل في مجاله حتى الآن.