近年来，生成对抗网络（GANs）取得了快速发展。然而，现有GAN模型的成功高度依赖于大规模训练数据。本文提出了一种针对有限数据条件下训练鲁棒GAN模型的正则化方法。我们从理论上揭示了正则化损失与一种称为LeCam散度（LeCam-divergence）的f-散度之间的联系，发现该散度在训练数据有限的情况下具有更强的鲁棒性。在多个基准数据集上的大量实验表明，所提出的正则化方案具有以下优势：1）在数据有限的条件下显著提升GAN模型的泛化性能，并稳定其学习动态；2）与近期的数据增强方法具有良好的互补性。这些特性使得在仅拥有ImageNet基准数据集有限训练样本的情况下，仍能训练出达到当前最先进水平的GAN模型。