GenRouter: エージェンティック画像生成のための統合ワークフロールーティング

要旨

テキストから画像への（T2I）生成モデルの急速な進化は、生のピクセル合成という根本的な課題を実質的に解決し、研究コミュニティの焦点を、ますます複雑化するユーザー要求の充足へと移行させた。近年のエージェント型画像生成ワークフローは、外部知識検索や反復的推論といった高度な能力により静的推論を強化する一方、そのほとんどは固定された「一律万能」トポロジーを持つ孤立したサイロとして動作する。これにより、単純なクエリが計算負荷の高いパイプラインを強制的に通過させられるという、深刻な計算ミスマッチが必然的に生じる。このギャップを埋めるため、我々はエージェント型画像生成のための初の統一ワークフロールーティングフレームワークであるGenRouterを提案する。まずGenCanvasを定式化し、多様なエージェント型パイプラインを普遍的な基本プリミティブと実行可能なテンプレートのセットに標準化する。この統一空間上で動作するGenRouterは、（i）要求プロファイリング、（ii）経験マッチング、（iii）パレートフィルタリングを通じて、異種のプロンプトを最適なワークフローに適応的にルーティングする。多様なベンチマークにわたる広範な実験により、GenRouterは高負荷な静的パイプラインと比較して、実行コストを95%以上、レイテンシを65%削減しつつ、優れた視覚的整合性を達成することが実証された。さらに本システムは、蓄積された経験を通じて継続的に自己進化し、性能を向上させて計算オーバーヘッドを半減させる頑健なゼロショット汎化を可能にする。

English

The rapid evolution of text-to-image (T2I) generation models has effectively solved the foundational challenge of raw pixel synthesis, shifting the community's focus toward fulfilling increasingly intricate user requests. While recent agentic image generation workflows enhance static inference with advanced capabilities like external knowledge retrieval and iterative reasoning, they mostly operate in isolated silos with fixed ``one-size-fits-all" topologies. This inevitably leads to severe compute-mismatch, where simple queries are forced through computationally heavy pipelines. To bridge this gap, we present GenRouter, the first unified workflow routing framework for agentic image generation. We first formulate GenCanvas, standardizing diverse agentic pipelines into a universal set of foundational primitives and executable templates. Operating over this unified space, GenRouter adaptively routes heterogeneous prompts to their optimal workflows via (i) demand profiling, (ii) experience matching, and (iii) Pareto filtering. Extensive experiments across diverse benchmarks demonstrate that GenRouter achieves superior visual alignment while reducing execution costs by over 95% and latency by 65% compared to heavyweight static pipelines. Furthermore, the system continuously self-evolves via accumulated experience, enabling robust zero-shot generalization that boosts performance and halves computational overhead.