ImagenとDALL-E 2が拡散を生成画像の標準にする前に、このGoogle Brainの論文は、その後の多くのテキスト・ツー・イメージシステムが静かに借用したカスケード型拡散のレシピを示しました：小さな低解像度拡散モデルで始めて、その上に超解像拡散モデルをチェーンして、アップサンプリングします。秘訣は条件付き拡張と呼ばれるテクニックで、ステージ間の誤差の累積を防ぎ、ぼやけた出力と256x256での4.88 FIDの違いになります。

Ho et al.のこのロングレビューは、カスケード設計、それを堅牢にするノイズ条件付けのトリック、およびBigGAN-deepとVQ-VAE-2を一対一で打ち負かすImageNetベンチマーク結果を詳しく説明します。音声エンジニアが注意すべきことは、カスケード型生成がTTSとニューラルオーディオコーデックに移行しており、そこでは多段階拡散がますますナチュラルな波形を合成するために使用されているということです。最新のオーディオ拡散作業に触れる前に基礎を習いたい場合は、この詳細な説明はすべてのコンポーネントを説明します。