Imagen과 DALL-E 2가 생성 이미지를 위한 확산을 기본값으로 만들기 전에, 이 Google Brain 논문은 이후 많은 텍스트-이미지 시스템이 조용히 차용한 cascaded diffusion 레시피를 제시했습니다: 작은 저해상도 확산 모델부터 시작하여 그 위에 초해상도 확산 모델을 연결하여 업샘플링합니다. 핵심은 conditioning augmentation이라 불리는 기법으로, 단계 간 오류 누적을 방지하며 흐릿한 뭉개진 결과물과 256x256에서의 4.88 FID의 차이를 만듭니다.

Ho et al.에 대한 이 장문 리뷰는 cascade 설계, 강건성을 만드는 noise-conditioning 트릭, ImageNet 벤치마크 결과를 파고드는데, BigGAN-deep과 VQ-VAE-2를 맞대면 이깁니다. 음성 엔지니어들이 주목해야 할 점: cascaded generation은 이제 TTS와 neural audio codecs로 이전되고 있으며, 여기서 multi-stage diffusion은 점점 더 자연스러운 파형을 합성하는 데 사용됩니다. 최신 audio diffusion 작업에 들어가기 전에 기초를 원한다면, 이 심층 분석은 모든 구성 요소를 안내합니다.