在Imagen和DALL-E 2將擴散設定為生成式影像的預設之前，這篇Google Brain論文奠定了Cascaded Diffusion的方案，許多後來的文字轉圖像系統都悄悄地採用：從一個小的低解析度擴散模型開始，然後在上面堆疊超解析度擴散模型來上採樣。關鍵是一種叫做Conditioning Augmentation的技術，它可以防止階段之間的誤差複合，實際上是模糊混亂和4.88 FID at 256x256之間的區別。

這篇Ho et al.的長篇評論深入探討了級聯設計、使其穩健的雜訊條件技巧，以及在ImageNet基準測試中超越BigGAN-deep和VQ-VAE-2的結果。語音領域的人應該關注：級聯生成目前正遷移到TTS和神經音頻編解碼器中，其中多階段擴散被用於合成越來越自然的波形。如果你想在涉及現代音頻擴散工作之前瞭解基礎知識，這篇深入分析會逐一介紹每個組件。