Les avancées récentes dans les réseaux adverses génératifs (GAN) ont conduit à leur adoption massive pour la génération d’images synthétiques de haute qualité. Bien que capables de produire des images photoréalistes, ces modèles génèrent fréquemment des échantillons irréalistes, situés en dehors de la variété de données (data manifold). Plusieurs techniques récemment proposées tentent d’éviter ces échantillons spuriants, soit en les rejetant après génération, soit en tronquant l’espace latent du modèle. Bien qu’efficaces, ces méthodes s’avèrent inefficaces, car une grande partie du temps d’entraînement et de la capacité du modèle est consacrée à des échantillons qui seront finalement inutilisés. Dans ce travail, nous proposons une nouvelle approche visant à améliorer la qualité des échantillons : la sélection d’instances dans le jeu de données d’entraînement avant le début de l’entraînement du modèle. En affinant la distribution empirique des données avant l’entraînement, nous redirigeons la capacité du modèle vers les régions à forte densité, ce qui améliore finalement la fidélité des échantillons générés, réduit les exigences en capacité du modèle et diminue considérablement le temps d’entraînement. Le code est disponible à l’adresse suivante : https://github.com/uoguelph-mlrg/instance_selection_for_gans.