La generación de imágenes sintéticas mediante modelos generativos representa un área de gran avance; no obstante, persiste el reto de identificar y manejar datos fuera de distribución (OOD). Este trabajo propone estrategias para abordar este problema en modelos generativos, empleando arquitecturas como Wasserstein GAN con penalización de gradiente (WGAN-GP) y StyleGAN2-ADA (con aumento adaptativo del discriminador). La propuesta incluye el entrenamiento de dichos modelos sobre conjuntos de datos específicos para la generación de imágenes sintéticas. Se emplea la métrica Frechet Inception Distance (FID), que permite estimar diferencias estadísticas globales entre distribuciones reales y generadas, como aproximación indirecta al problema OOD. Además, se integran técnicas como SeTAR, orientada a ajustar internamente las representaciones del modelo para una mejor discriminación de ejemplos OOD, y ABET, que combina energía y escalado de temperatura aprendido para mejorar la sensibilidad ante entradas no vistas, sin requerir datos OOD en el entrenamiento. Las estrategias implementadas permiten incrementar la capacidad de los modelos para distinguir entre datos en distribución y fuera de distribución, favoreciendo la generación de imágenes más coherentes y relevantes en distintos escenarios. Asimismo, se promueve una mayor fidelidad visual y estabilidad en la salida de los modelos, especialmente en situaciones donde los datos reales son limitados o críticos. La propuesta fortalece su aplicabilidad en contextos donde la confianza y la calidad del contenido sintético resultan esenciales.