본 논문은 분류기 없는 안내(classifier-free guidance)에 대한 종합적인 이해를 제공하기 위해 경험적 연구를 수행합니다. 기존 연구와 달리, 분류기 없는 안내가 아닌 분류기 안내(classifier guidance)의 근본적인 가정을 명확히 하고, 분류기의 역할을 체계적으로 연구합니다. 연구 결과, 분류기 안내와 분류기 없는 안내 모두 조건부 정보가 얽혀 있고 학습하기 어려운 결정 경계(decision boundaries)로부터 탈노이즈 확산 궤적을 멀리함으로써 조건부 생성을 달성한다는 것을 발견했습니다. 이러한 분류기 중심적인 이해를 바탕으로, 사전 훈련된 탈노이즈 확산 모델의 학습된 분포와 실제 데이터 분포 간의 차이, 특히 결정 경계 주변의 차이를 줄이기 위해 흐름 일치(flow-matching)에 기반한 일반적인 후처리 단계를 제안합니다. 다양한 데이터셋에 대한 실험을 통해 제안된 방법의 효과를 검증합니다.
