# [[CFG 스케일(Classifier-Free Guidance Scale)]]

## 📌 Brief Summary
CFG 스케일(Classifier-Free Guidance Scale)은 스테이블 디퓨전(Stable Diffusion)과 같은 AI 이미지 생성 모델에서 결과물이 사용자의 텍스트 프롬프트를 얼마나 엄격하게 따를지 제어하는 매개변수입니다 [1, 2]. 이는 생성 과정에서 긍정 프롬프트와 부정 프롬프트의 반영 강도(가이던스 강도)를 결정하는 역할을 합니다 [3]. CFG 스케일과 샘플링 스텝(sampling steps)을 세밀하게 조정함으로써 출력물에 다양성을 도입하고 생성된 이미지의 사실감을 높일 수 있습니다 [2, 4].

## 📖 Core Content
* **가이던스 강도와 프롬프트의 관계:** 긍정 프롬프트가 '목표(target)'이고 부정 프롬프트가 '회피 지도(avoidance map)'라면, CFG 스케일은 생성 과정의 '가이던스 강도(intensity of guidance)'로 작용합니다 [3]. 이는 모델이 프롬프트의 조건화(conditioning)를 얼마나 적극적으로 따를지를 결정합니다 [5].
* **수치 설정에 따른 출력 변화:**
  * **높은 CFG 값 (예: 7~15):** 모델이 입력된 프롬프트를 더욱 엄격하게 따르도록 만듭니다 [1]. 
  * **낮은 CFG 값 (예: 3.5 미만):** CFG 값을 너무 낮게 설정할 경우 끔찍하거나 거의 백지에 가까운(blank) 무의미한 결과물이 생성될 수 있습니다 [6].
* **프롬프트 품질과의 상관관계:** CFG 스케일은 부정 프롬프트가 얼마나 강하게 영향을 미치는지도 변화시킵니다 [5]. 그러나 단어 선택이 잘못된 불완전한 부정 프롬프트를 작성했을 때, 단순히 CFG 스케일을 높인다고 해서 결과물이 똑똑하게 개선되지는 않습니다 [5]. 오히려 모델이 잘못된 지시사항을 더 강한 확신을 가지고 따르게 만드는 결과를 초래할 수 있습니다 [5].
* **사실감 향상 및 미세 조정:** 스테이블 디퓨전 환경에서 AI 생성 아트의 사실감(realism)을 개선하고 결과물의 변동성을 조절하려면 샘플링 스텝과 함께 CFG 스케일을 최적화하여 세밀하게 조정(fine-tuning)해야 합니다 [2, 4].

## 🔗 Knowledge Connections
- **Related Topics:** [[스테이블 디퓨전(Stable Diffusion)]], [[부정 프롬프트(Negative Prompt)]], [[매개변수(Parameters)]]
- **Projects/Contexts:** [[스테이블 디퓨전 모델의 미세 조정(Fine-tuning) 및 이미지 제어]]
- **Contradictions/Notes:** CFG 스케일을 높이면 모델이 프롬프트에 더 강하게 집중하지만, 프롬프트의 용어 선택 자체가 나쁘다면 CFG를 높이는 것만으로는 이미지가 개선되지 않으며 오히려 부실한 지시를 맹목적으로 따르는 역효과를 냅니다 [5].

---
*Last updated: 2026-04-30*