본 논문은 denoising diffusion 모델을 사용한 조건부 생성에서 널리 사용되는 Classifier-free Guidance에 대한 심층적인 이해를 제공하기 위해, classifier guidance를 포함한 근본적인 부분까지 탐구하는 실증 연구를 수행한다. Classifier-free guidance의 핵심 가정을 파악하고, classifier의 역할을 체계적으로 연구한다. 1차원 데이터에서 classifier guidance와 classifier-free guidance 모두 denoising diffusion 궤적을 결정 경계에서 멀어지게 하여 조건부 생성을 달성한다는 것을 발견했다. 고차원 데이터에서 이 classifier 중심 관점을 검증하기 위해, 사전 훈련된 diffusion 모델의 학습된 분포와 실제 데이터 분포 간의 간극을 좁히는 flow-matching 후처리 단계를 적용하여 성능 향상을 확인했다.
