شهد النمذجة التوليدية العميقة تقدماً ملحوظاً في السنوات الأخيرة، لدرجة أصبحت العينات المُحاكاة (مثل الصور) تُشبه بشكل وثيق البيانات الواقعية بشكل شائع. ومع ذلك، فإن جودة التوليد تكون عادةً غير متسقة بالنسبة لأي نموذج معين، وقد تختلف بشكل كبير بين العينات. نقدم تقنية جديدة تُدعى تدفق التمييز (DGflow)، التي تُحسّن العينات المُولَّدة من خلال تدفق التدرجات الخاص بمسافات f-الانفصال المُنظّمة بالانتروبيا بين توزيعات البيانات الحقيقية والمعادلة. يأخذ تدفق التدرج شكل معادلة فوكير-بلانك غير الخطية، التي يمكن محاكاتها بسهولة من خلال أخذ عينات من عملية ماك-كين-فلاسوف المكافئة. وباستخدام تحسين العينات الضعيفة، تتجنب تقنيتنا رفض العينات الهدرية المستخدمة في الطرق السابقة (DRS و MH-GAN). وعلى عكس الدراسات الحالية التي تركز على نماذج GAN محددة، نُظهر أن منهجنا يمكن تطبيقه على نماذج GAN ذات ناقدين متجهين، بل وحتى على نماذج توليدية عميقة أخرى مثل VAEs وتدفقات التطبيع (Normalizing Flows). وأظهرت النتائج التجريبية على مجموعة متنوعة من البيانات الاصطناعية والصور والنصوص تحسناً كبيراً في جودة العينات المُولَّدة لعدة نماذج توليدية، حيث تفوقت تقنية DGflow على أحدث الطرق مثل Discriminator Optimal Transport (DOT) و Discriminator Driven Latent Sampling (DDLS).