在图像生成领域，"Classifier-free guidance"是一种用于改善条件生成模型性能的技术，特别是在使用生成对抗网络（GANs）或扩散模型等生成模型时。这个概念最近在与扩散模型相关的文献中变得流行，尤其是在OpenAI发布了其DALL·E 2模型后。

条件生成模型是根据给定的条件（例如文本描述）来生成数据（例如图像）的模型。在这些模型中，通常需要一个分类器来指导生成过程，使生成的图像与给定的条件相匹配。然而，这样的分类器引导（classifier guidance）依赖于一个额外的分类器模型，它需要在训练时与生成模型一起训练。

与此相反，"Classifier-free guidance"并不依赖于一个独立的分类器来指导生成过程。相反，它在生成模型内部调整生成过程，使得模型更加专注于满足条件。这通常是通过在模型的输入条件中混合噪声来实现的，使得模型学会在没有明确指导的情况下生成与条件相符的数据。

在OpenAI的扩散模型中，"Classifier-free guidance"通过在训练期间同时训练模型来生成有条件的输出和无条件的输出来实现。在生成阶段，模型的预测被调整为更加偏向于有条件的输出。这种方法的优势在于它避免了训练一个独立的分类器，并且可以通过简单地调整生成时的参数来控制条件的强度。

总的来说，"Classifier-free guidance"是一种减少对外部分类器依赖的技术，它可以使生成模型更直接地专注于生成符合给定条件的数据，同时提供了控制条件强度的灵活性。这在生成复杂图像或满足特定文本描述的图像时尤其有用。