본 논문은 분류기 기반 확산 모델의 문제점인 초기 노이즈 제거 단계에서의 과도한 확신으로 인한 지침 기울기 소실 문제를 해결하기 위해 두 가지 주요 기법을 제시한다. 첫째, 최소한의 미세 조정으로 분류기 보정을 개선하고 FID를 향상시키는 Smooth ECE 기반의 차분 가능한 보정 목표를 제안한다. 둘째, 재훈련 없이 사용할 수 있는 향상된 샘플링 지침 방법을 개발한다. 여기에는 배치 수준의 가중치를 갖는 기울어진 샘플링, 다양성을 유지하는 적응형 엔트로피 정규화 샘플링, 그리고 모드 커버리지를 유지하면서 클래스 일관성 지침을 강화하는 새로운 f-발산 기반 샘플링 전략이 포함된다. ImageNet 128x128 데이터셋에서 ResNet-101 분류기를 사용한 실험 결과, 본 논문의 발산 정규화 지침은 FID 2.13을 달성하여 기존 분류기 기반 확산 모델을 능가하며, 확산 모델의 재훈련이 필요하지 않음을 입증했다.
