在Imagen和DALL-E 2将扩散模型作为生成图像的默认选择之前，这篇Google Brain论文阐述了许多后来的文本到图像系统悄悄借鉴的级联扩散方案：从小的低分辨率扩散模型开始，然后在其上方链接超分辨率扩散模型进行上采样。妙处在于一种称为条件增强的技术，它防止了阶段间的误差复合，结果证明这是从模糊混乱到256x256处4.88 FID的区别。

这篇Ho et al.的长评论深入探讨了级联设计、使其健壮的噪声条件技巧，以及在ImageNet基准中击败BigGAN-deep和VQ-VAE-2的结果。语音工程师应该关心这一点：级联生成现在正迁移到TTS和神经音频编解码器中，多阶段扩散被用于合成越来越自然的波形。如果你想在接触现代音频扩散工作之前获得基础知识，这篇深入讲解会逐个介绍每个组件。