يمكن لشبكات التوليد التنافسية (GANs) إنتاج صور شبه واقعية من حيث الجودة في مجالات ضيقة مثل الوجوه البشرية. ومع ذلك، يظل نمذجة التوزيعات المعقدة لمجموعات البيانات مثل ImageNet وCOCO-Stuff أمرًا صعبًا في الإطارات غير المشروطة. في هذا البحث، نستلهم من تقنيات تقدير كثافة النواة (kernel density estimation) ونقدم نهجًا غير معلمي لتمثيل توزيعات مجموعات بيانات معقدة. نقوم بتقسيم المانيفولد البيانات إلى مزيج من جيران متداخلة، تُوصَف كل منها بنقطة بيانات وقربها الأقرب، ونُقدِّم نموذجًا يُسمَّى GAN المشروط بالحالة (IC-GAN)، الذي يتعلم التوزيع المحيط بكل نقطة بيانات. تُظهر النتائج التجريبية على ImageNet وCOCO-Stuff أن IC-GAN يتفوّق بشكل ملحوظ على النماذج غير المشروطة والأساليب الأساسية التي تعتمد على تقسيم البيانات دون تعلّم. علاوةً على ذلك، نُظهر أن IC-GAN يمكنه الانتقال بسلاسة إلى مجموعات بيانات لم تُرى أثناء التدريب، فقط بتغيير حالات التحديد (conditioning instances)، مع القدرة على إنتاج صور واقعية. وأخيرًا، نُوسِّع IC-GAN ليشمل الحالة المشروطة بالفئة، ونُظهر توليدًا قابلاً للتحكم معنويًا، مع نتائج كمية تنافسية على ImageNet، وتحسينًا على BigGAN في ImageNet-LT. يُتاح الكود والنماذج المدربة لإعادة إنتاج النتائج المبلغ عنها عبر الرابط: https://github.com/facebookresearch/ic_gan.