Cascaded Diffusion是許多現代生成工作背後的二階以上方案：用一個擴散模型生成小影像，然後交給超解析度擴散模型來添加高頻細節。Google Brain團隊展示了整個流程在ImageNet上達到4.88 FID at 256x256，無需輔助分類器增強，並同時超越BigGAN-deep。

這篇Ho et al.的短篇評論快速介紹要點、級聯結構、為什麼Conditioning Augmentation技巧是防止錯誤在階段間複合的秘訣，以及FID數字如何累積。對於任何TTS或神經聲碼器路線圖包含多階段擴散的人來說，值得花5分鐘閱讀；同樣的設計模式現在正在整個音頻生成領域出現。在深入完整論文之前，把它當作快速入門來試試。