跟随直觉：为自回归图像生成扩展置信度
计算机视觉与模式识别
2026-01-07 v2
摘要
测试时扩展（Test-time scaling, TTS）在提升大语言模型方面取得了显著成功，但其应用于基于下一个标记预测（NTP）的自回归（AR）图像生成仍鲜有探索。现有针对视觉AR（VAR）的TTS方法依赖频繁的部分解码和外部奖励模型，由于中间解码结果的内在不完整性，这些方法不适用于NTP-based图像生成。为弥合这一差距，我们引入了ScalingAR——首个专为NTP-based AR图像生成设计的TTS框架，无需提前解码或辅助奖励。ScalingAR 将标记熵作为视觉标记生成的新信号，在两个互补的扩展层次上运作：（i）轮廓层级（Profile Level），通过融合内在信号与条件信号，流式传输校准后的置信度状态；（ii）策略层级（Policy Level），利用该状态自适应终止低置信度轨迹，并动态安排引导，以实现针对特定阶段的条件强度调度。在通用基准和组合成分基准上的实验表明，ScalingAR（1）在GenEval 上提升基线模型12.5%，在TIIF-Bench 上提升15.2%；（2）在超越基线的同时，高效地将视觉标记消耗降低62.0%；（3）成功提升鲁棒性，使在挑战性场景下的性能下降幅度降低26.0%。
引用
@article{arxiv.2509.26376,
title = {Go with Your Gut: Scaling Confidence for Autoregressive Image Generation},
author = {Harold Haodong Chen and Xianfeng Wu and Wen-Jie Shu and Rongjin Guo and Disen Lan and Harry Yang and Ying-Cong Chen},
journal= {arXiv preprint arXiv:2509.26376},
year = {2026}
}
备注
Code: https://github.com/EnVision-Research/ScalingAR