カスケード型拡散は多くの最新の生成的作業の基礎となる2段階以上のレシピです：1つの拡散モデルで小さな画像を生成し、その後、高周波詳細を追加する超解像拡散モデルに渡します。Google Brainチームは、パイプライン全体がImageNetで256x256での4.88 FIDに達し、補助分類器ブースティングが不要で、その過程でBigGAN-deepを打ち負かすことを示しました。

Ho et al.のこのショートレビューは基本をすぐにカバーし、カスケード構造、条件付き拡張トリックがステージ全体で誤差の累積を防ぐ秘訣である理由、およびFID数がどのようにスタックするかを説明します。TTSまたはニューラルボコーダーのロードマップに多段階拡散が含まれている人なら5分の価値があります。同じ設計パターンがオーディオ生成全体に今や表示されています。フルペーパーに飛び込む前に、クイック入門として試してみてください。