본 논문은 잡음 제거 확산 모델을 이용한 조건부 생성에서 주요 기술이 된 분류기 없는 안내(classifier-free guidance)에 대한 포괄적인 이해를 제공하기 위해 경험적 연구를 수행합니다. 기존 연구와 달리, 분류기 없는 안내가 아닌, 근본인 분류기 안내(classifier guidance)로 거슬러 올라가 그 도출의 핵심 가정을 명확히 하고, 분류기의 역할을 체계적으로 연구합니다. 연구 결과, 분류기 안내와 분류기 없는 안내 모두 조건부 정보가 일반적으로 얽혀 있고 학습하기 어려운 영역인 결정 경계에서 잡음 제거 확산 궤적을 멀리함으로써 조건부 생성을 달성한다는 것을 발견했습니다. 이러한 분류기 중심의 이해를 바탕으로, 사전 훈련된 잡음 제거 확산 모델에 대한 학습된 분포와 실제 데이터 분포 간의 차이(주로 결정 경계 주변)를 줄이기 위해 흐름 일치(flow-matching)를 기반으로 하는 일반적인 후처리 단계를 제안합니다. 다양한 데이터 세트에 대한 실험을 통해 제안된 접근 방식의 효과를 검증합니다.
