生成对抗网络（Generative Adversarial Networks, GANs）的近期进展推动了其在生成高质量合成图像方面的广泛应用。尽管这些模型能够生成逼真的图像，但往往也会产生偏离数据流形的不真实样本。为应对这一问题，一些近期提出的策略尝试通过在生成后剔除异常样本，或对模型的隐空间进行截断来避免虚假样本的出现。然而，这些方法效率较低，因为大量训练时间和模型容量被用于生成最终将被丢弃的样本。在本研究中，我们提出一种提升生成样本质量的新方法：在模型训练开始前，通过实例选择（instance selection）优化训练数据集。通过在训练前对经验数据分布进行精炼，我们引导模型容量聚焦于高密度区域，从而显著提升生成样本的保真度，降低对模型容量的需求，并大幅缩短训练时间。相关代码已开源，地址为：https://github.com/uoguelph-mlrg/instance_selection_for_gans。