최근 몇 년간 딥 생성 모델링 분야는 놀라운 발전을 이뤘으며, 이제는 실제 세계 데이터와 거의 유사한 시뮬레이션 샘플(예: 이미지)을 흔히 볼 수 있게 되었다. 그러나 특정 모델에 대해 생성 품질은 일반적으로 일관되지 않으며, 샘플 간에 큰 변동이 발생하는 경우가 많다. 본 연구에서는 실제 데이터 분포와 생성된 데이터 분포 사이의 엔트로피 정규화 f-다이버전스의 그래디언트 플로우를 활용하여 생성 샘플을 개선하는 새로운 기법인 Discriminator Gradient Flow(DGflow)를 제안한다. 이 그래디언트 플로우는 비선형 Fokker-Planck 방정식의 형태를 가지며, 동등한 McKean-Vlasov 과정에서 샘플링함으로써 간편하게 시뮬레이션할 수 있다. 기존의 방법(DRS 및 MH-GAN)이 사용하는 비효율적인 샘플 거부 전략을 피하기 위해 낮은 품질의 샘플을 정제함으로써, 본 기법은 자원 낭비를 줄인다. 기존 연구들이 특정 GAN 변형에 집중하는 반면, 본 연구에서는 벡터값 평가자(vector-valued critics)를 갖는 GAN뿐만 아니라, VAE 및 정규화 흐름(Normalizing Flows)과 같은 다른 딥 생성 모델에도 본 개선 기법을 적용할 수 있음을 보여준다. 다양한 합성 데이터, 이미지 및 텍스트 데이터셋에 대한 실증 결과를 통해 DGflow가 다양한 생성 모델의 생성 샘플 품질을 크게 향상시킴을 입증하였으며, 최첨단 기법인 Discriminator Optimal Transport(DOT) 및 Discriminator Driven Latent Sampling(DDLS)보다 뛰어난 성능을 보였다.