최근의 확산 모델은 이미지 생성 분야에서 최고 성능을 달성하고 있으나, 종종 의미적 불일치나 환각 현상에 취약하다. 다양한 추론 시 가이던스 방법은 생성 품질을 향상시킬 수 있으나, 보통 외부 신호나 아키텍처 수정에 의존하는 간접적인 방식을 취하기 때문에 추가적인 계산 부담을 수반한다. 본 논문에서는 기존 확산 모델의 구조를 변경하지 않고, 단지 샘플링 경로 신호에만 기반하여 작동하는 더 효율적이고 직접적인 가이던스 방법인 접선 증폭 가이던스(Tangential Amplifying Guidance, TAG)를 제안한다. TAG는 중간 샘플을 사영 기저로 활용하고, 추정된 스코어의 접선 성분을 이 기저에 대해 증폭함으로써 샘플링 경로를 보정한다. 본 가이던스 과정은 1차 테일러 전개를 활용하여 수학적으로 정식화되며, 접선 성분을 증폭하는 것이 확률이 높은 영역으로 상태를 유도함을 보여준다. 이는 의미적 불일치를 감소시키고 샘플 품질을 향상시키는 데 기여한다. TAG는 플러그 앤 플레이(Plug-and-Play), 아키텍처 독립적인 모듈로서, 거의 추가적인 계산 비용 없이 확산 샘플링의 정밀도를 향상시킬 수 있으며, 확산 가이던스에 대한 새로운 관점을 제시한다.