Neuere Fortschritte bei generativen adversarialen Netzwerken (GANs) haben zu ihrer weitverbreiteten Anwendung bei der Erzeugung hochwertiger synthetischer Bilder geführt. Obwohl diese Modelle in der Lage sind, foto-realistische Bilder zu generieren, erzeugen sie häufig unrealistische Proben, die jenseits des Datensmannigfaltigen liegen. Mehrere kürzlich vorgeschlagene Techniken zielen darauf ab, solche irreführenden Proben zu vermeiden, entweder durch deren Ablehnung nach der Generierung oder durch eine Truncation des latenten Raums des Modells. Obwohl diese Ansätze wirksam sind, sind sie ineffizient, da ein erheblicher Teil der Trainingszeit und der Modellkapazität für Proben aufgewendet wird, die letztlich nicht genutzt werden. In dieser Arbeit schlagen wir einen neuartigen Ansatz zur Verbesserung der Probenqualität vor: die Anpassung des Trainingsdatensatzes durch Instanzauswahl, noch bevor der Trainingsprozess beginnt. Durch die Verfeinerung der empirischen Datenverteilung vor dem Training lenken wir die Modellkapazität gezielt in Bereiche hoher Dichte, was letztlich die Fidelität der Generierungen erhöht, die Anforderungen an die Modellkapazität senkt und die Trainingszeit erheblich reduziert. Der Quellcode ist unter https://github.com/uoguelph-mlrg/instance_selection_for_gans verfügbar.