تُعد الشبكات التوليدية التنافسية (GANs) صعبة التدريب بشكل مستقر، ولا تُظهر الحلول الواعدة مثل إدخال ضوضاء مثيلات إلى مُميّز المدخلات فعالية كبيرة في الممارسة العملية. في هذه الورقة، نقترح إطارًا جديدًا يُسمى Diffusion-GAN، الذي يستخدم سلسلة تفريغ أمامية لتوليد ضوضاء مثيلات موزعة وفقًا لتوزيع خليط جاوسي. يتكوّن Diffusion-GAN من ثلاث مكونات رئيسية، تشمل عملية تفريغ تكيفية، ومُميّز يعتمد على وقت التفريغ، بالإضافة إلى مُولّد. يتم تفريغ كل من البيانات الملاحظة والبيانات المولّدة باستخدام نفس العملية التكيفية للتفريغ. في كل خطوة زمنية لتفريغ، يوجد نسبة مختلفة من الضوضاء إلى البيانات، ويتعلم المُميّز المُعتمد على الزمن التمييز بين البيانات الحقيقية المُفروضة والبيانات المولّدة المُفروضة. يتعلم المُولّد من ملاحظات المُميّز من خلال التغذية العكسية عبر سلسلة التفريغ الأمامية، حيث يتم ضبط طول هذه السلسلة تكيفيًا لتحقيق توازن بين مستويات الضوضاء والبيانات. نُظهر نظريًا أن استراتيجية المُميّز المعتمدة على الزمن توفر توجيهًا متسقًا وفعالًا للمُولّد، مما يمكّنه من مطابقة توزيع البيانات الحقيقي. ونُظهر مزايا Diffusion-GAN مقارنةً بأساليب GAN القوية على مجموعة متنوعة من مجموعات البيانات، موضحين أنه قادر على إنتاج صور أكثر واقعية وباستقرار أعلى وكفاءة أعلى في استخدام البيانات مقارنةً بأفضل نماذج GAN الحالية.