一、背景：Classifier Guidance 利用外部分类器指导扩散模型
扩散模型的目标是在去噪过程中预测噪声：
如果希望模型生成某一个类别（例如"猫"），最直接的方法就是加入条件 y：
OpenAI 最早提出的方法：除训练扩散模型（UNet）之外，再额外训练一个分类器（Classifier）。
系统变成：
x_t │ ┌─────┴─────┐ │ │ ▼ ▼ UNet Classifier ε(x,t,y) p(y|x,t) │ │ │ ∇logp(y|x) └─────┬─────┘ │ 修正去噪方向- UNet负责预测噪声；
- Classifier负责判断当前图片属于哪个类别；
- 分类器不仅给出类别，还通过梯度告诉扩散模型：应该往哪个方向修改图像更符合目标类别。
最终采样方向变成：
二、Classifier Guidance 引发的质疑
虽然 Classifier Guidance 能明显提升生成质量，但论文作者提出了一个非常深刻的问题：
模型真的画得更好了，还是只是学会了迎合分类器？
扩散模型经典评估指标如：FID、IS（Inception Score），本质上都依赖Inception-V3 分类网络。
换句话说，生成图片最后也是交给分类器评分。而 Classifier Guidance 在采样过程中每一步都利用分类器梯度修改图片。
就像：学生考试 → 提前知道阅卷老师是谁 → 专门写老师喜欢的答案 → 最终得高分
因此产生质疑：Classifier Guidance 会不会其实是在做一种"对抗攻击"？
不断调整像素，让分类器越来越确信："这一定是一只猫！" 即使人眼看起来未必更自然。
因此作者希望找到一种完全不依赖任何外部分类器的方法。
三、CFG 的数学思想
作者利用贝叶斯公式进行了一个非常漂亮的推导。
原来：
利用：
得到：
代回去：
整理得：
这就是著名的 CFG 公式。
通常写成：
四、CFG 的核心思想
CFG 的核心思想可以概括成一句话：
不用分类器，而是利用同一个 UNet 自己学习"有条件"和"无条件"之间的差异。
以前：UNet + Classifier
现在：只有UNet
把原来分类器提供的信息：
变成：即：Prompt 对图像产生的影响
五、CFG 在网络中到底如何实现？
CFG 最大的改变发生在训练阶段。没有增加新的网络，只是改变了训练方式。
1. Condition Dropout
训练时：随机丢弃条件。
例如：
文本：
"A cat"训练过程：90%
输入：x_t t "A cat"10%
输入： x_t t NULL这里 NULL 可以是：空 Token、全零 Embedding、空 Prompt
论文称为：Condition Dropout。
于是：
x_t │ ┌─────────┴─────────┐ │ │ ▼ ▼ Prompt="cat" Prompt=NULL │ │ └─────────┬─────────┘ ▼ 同一个UNet ▼ ε(x,t,condition)始终只有：一个 UNet。
2. UNet 学到了什么？
由于训练过程中有时候有 Prompt，有时候没有 Prompt，
UNet 自然学会：
第一种情况
输入：cat，输出：猫图片对应噪声，即：
第二种情况
输入：NULL
输出：整个数据集平均噪声，即：
一个网络，同时学会了：条件预测、无条件预测
六、推理阶段：UNet 运行两次
CFG 推理流程如下：
x_t │ ┌───────┴────────┐ │ │ ▼ ▼ Prompt="cat" Prompt=NULL │ │ ▼ ▼ UNet UNet │ │ ▼ ▼ ε_cond ε_uncond │ │ └───────┬────────┘ ▼ ε_cfg = ε_uncond + w(ε_cond-ε_uncond) │ ▼ 更新x_{t-1}虽然没有 Classifier，但UNet 会运行两次。
相比 Classifier Guidance少了Classifier Forward、Classifier Backward，速度明显更快。
七、Stable Diffusion 中 CFG 的实现
CFG 中的UNet 基本没有变化，变化的是文本条件输入。
例如 Stable Diffusion：
Prompt → CLIP Text Encoder → Text Embedding → Cross Attention → UNet → 预测噪声如果 Prompt 是："A cat"，UNet 就得到：条件预测。
如果 Prompt 是：空，CLIP 输出 NULL Embedding，UNet 仍然可以正常工作，因此CFG 根本没有增加新的网络。只是同一个 UNet 接受不同的文本条件。
八、Guidance Scale 的物理意义
CFG 中：
w 为 CFG Scale
w=1，几乎没有强化 Prompt，生成更加自然，但可能Prompt 不够准确。
w≈7.5 Stable Diffusion 默认值。通常效果最好，Prompt 与自然度取得平衡。
w=15 Prompt 非常强。模型拼命满足文字描述。但容易出现过饱和、人脸崩坏、色彩失真、重复纹理、结构异常
Guidance Scale 本质就是：Prompt 对生成过程施加影响的强弱。
九、为什么 CFG 能替代 Classifier？
Classifier Guidance 中，分类器提供的是：
告诉模型：朝目标类别方向修改图片。
而 CFG 中：
表达的是：加入 Prompt 后，预测噪声发生了怎样的变化。
这个差值实际上就是：条件信息带来的引导方向。
因此：
| Classifier Guidance | Classifier-Free Guidance |
|---|---|
| 引导方向来自分类器梯度 | 引导方向来自两次 UNet 预测差值 |
| 两个网络（UNet + Classifier） | 一个网络（UNet） |
| 每步需要前向和反向传播分类器 | 每步仅进行两次 UNet 前向推理 |
| 需要额外训练分类器 | 无需分类器，只需训练时进行 Condition Dropout |
| 难以扩展到开放文本条件 | 天然支持自然语言 Prompt |
可以看到，两者的目标完全一致：都是估计“条件引导方向”，只是来源不同。CFG 将这一能力内化到 UNet 中，从而摆脱了对外部分类器的依赖。
