近期提出的拒绝采样（rejection sampling）方法旨在提升基于判别器的生成模型的性能。然而，这些方法仅在采样预算无限的情况下达到最优，并且通常应用于与拒绝过程独立训练的生成器。本文首先提出一种最优预算拒绝采样（Optimal Budgeted Rejection Sampling, OBRS）方案，该方案在给定采样预算条件下，可严格证明对真实分布与拒绝后分布之间的任意 $f$f-散度均达到最优。其次，我们提出一种端到端的方法，将采样机制融入训练过程，进一步提升模型的整体性能。通过实验与理论分析，我们验证了所提出方法的有效性，表明其能够显著提高生成样本的质量与多样性。