本論文では、分布外（OOD）サンプルの合成においてテキストから画像への拡散モデルの進展を紹介し、特にOOD検出性能の向上に寄与する新しいフレームワーク「GOOD」を提案しています。従来のアプローチは、テキスト条件付きエンベディングの摂動に依存しており、セマンティックな不安定性やシフトの多様性の不足といった課題に直面しています。GOODは、事前に学習した分布内（ID）分類器を用いて、拡散サンプリングの軌跡を直接OOD領域に誘導する双方向のガイダンスを含んでおり、画像レベルと特徴レベルの両方で信号を提供します。このデュアルガイダンスデザインにより、より制御可能で多様なOODサンプルの生成が可能になります。また、画像と特徴の違いを組み合わせた統一されたOODスコアを導入することで、検出の堅牢性も向上しています。実験を通じて、GOODで生成されたサンプルでトレーニングすることで、OOD検出性能が顕著に向上することが示されました。