本論文は、雑音除去拡散モデルを用いた条件付き生成における主要な技術となった分類器フリーガイドの包括的な理解を提供するために経験的研究を行います。従来の研究とは異なり、分類器のない案内ではなく、根本的な分類器案内(Classifier guidance)にさかのぼり、その導出の核心仮定を明確にし、分類器の役割を体系的に研究します。研究では、分類器ガイドと分類器なしガイドの両方が、条件付き情報が一般的に絡み合っていて学習が困難な領域である結晶境界からノイズ除去拡散軌跡を遠ざけることによって条件付き生成を達成することを発見しました。これらの分類器中心の理解に基づいて、事前訓練されたノイズ除去拡散モデルの学習分布と実際のデータ分布との間の差（主に決定境界の周り）を減らすために、フローマッチングに基づく一般的な後処理ステップを提案します。さまざまなデータセットに対する実験を通じて、提案されたアプローチの効果を検証します。
