近年来，针对无条件生成对抗网络（unconditional GANs）生成图像的下采样或精炼方法受到广泛关注，旨在提升整体图像质量。然而，这些方法在处理条件生成对抗网络（conditional GANs, cGANs）时往往表现不佳或效率低下——无论是基于类别条件（即类别条件GAN，class-conditional GANs）还是连续变量条件（即连续条件GAN，或称CcGANs）。针对这一问题，本文提出了一种高效且有效的下采样方案，命名为条件密度比引导的拒绝采样（conditional density ratio-guided rejection sampling, cDR-RS），用于从cGAN中生成高质量图像。具体而言，我们首先提出一种新颖的条件密度比估计方法，称为cDRE-F-cSP，该方法通过引入条件Softplus损失（cSP loss）以及改进的特征提取机制实现。随后，我们推导了采用cSP损失训练的密度比模型的误差上界。在此基础上，根据生成图像的估计条件密度比，决定其是否被接受或拒绝。此外，我们还设计了一种过滤机制，在从CcGAN采样时有效提升生成图像的标签一致性，同时不损失图像多样性。我们在五个基准数据集上对cDR-RS在类别条件GAN和CcGAN中的采样性能进行了全面评估，验证了其有效性与高效性。在类别条件GAN的采样任务中，cDR-RS在生成质量方面显著优于当前主流的先进方法（除DRE-F-SP+RS外），展现出显著优势。尽管cDR-RS在有效性上与DRE-F-SP+RS相当，但其计算效率远高于后者。在CcGAN采样任务中，cDR-RS在有效性和效率两方面均展现出更为突出的性能优势。尤为值得注意的是，在消耗合理计算资源的前提下，cDR-RS能够显著降低标签得分（Label Score），同时保持CcGAN生成图像的多样性；而其他方法通常需以牺牲大量多样性为代价，才能实现微弱的标签得分提升。这一特性使cDR-RS在实际应用中具备更强的实用价值与推广潜力。