StyleGAN系列模型在可控图像生成领域处于前沿地位，因其生成的潜在空间具有语义解耦特性，从而适用于图像编辑与操控。然而，当在大规模长尾数据集上通过类别条件训练时，StyleGAN的性能会显著下降。我们发现，性能退化的一个重要原因是：在$\mathcal{W}$W潜在空间中，各类别的潜在表示出现坍缩（collapse）现象。针对这一问题，我们提出NoisyTwins方法，首次引入一种高效且低成本的类别嵌入增强策略，通过$\mathcal{W}$W空间中的自监督机制实现潜在表示的去相关性。该去相关性有效缓解了潜在空间坍缩问题，确保了生成图像在保持类别一致性的同时，仍能充分保留类内多样性。我们在ImageNet-LT和iNaturalist 2019这两个大规模真实世界长尾数据集上验证了该方法的有效性，实验结果显示，相较于现有方法，我们的方法在FID指标上提升了约19%，达到了新的最优性能，确立了当前最先进的技术水平。