直感に従え：自己回帰型画像生成における信頼度のスケーリング

Go with Your Gut: Scaling Confidence for Autoregressive Image Generation

September 30, 2025

著者: Harold Haodong Chen, Xianfeng Wu, Wen-Jie Shu, Rongjin Guo, Disen Lan, Harry Yang, Ying-Cong Chen

cs.AI

要旨

テストタイムスケーリング（TTS）は大規模言語モデルの性能向上において顕著な成功を収めてきたが、次トークン予測（NTP）に基づく自己回帰的（AR）画像生成への応用はほとんど未開拓の領域である。既存の視覚的AR（VAR）向けTTSアプローチは、頻繁な部分デコードと外部報酬モデルに依存しており、中間デコード結果の本質的な不完全性のため、NTPベースの画像生成には不適切である。このギャップを埋めるため、我々はScalingARを提案する。これは、早期デコードや補助的な報酬を必要とせず、NTPベースのAR画像生成に特化した初のTTSフレームワークである。ScalingARは、視覚的トークン生成における新たな信号としてトークンエントロピーを活用し、2つの補完的なスケーリングレベルで動作する：（i）プロファイルレベルでは、内在的および条件的信号を融合させて調整された信頼状態をストリーミングし、（ii）ポリシーレベルでは、この状態を利用して低信頼度の軌跡を適応的に終了し、フェーズに適した条件付け強度のガイダンスを動的にスケジュールする。一般的および構成的なベンチマークでの実験により、ScalingARは（1）GenEvalで12.5%、TIIF-Benchで15.2%ベースモデルを改善し、（2）ベースラインを上回りながら視覚的トークン消費を62.0%効率的に削減し、（3）堅牢性を向上させ、困難なシナリオでの性能低下を26.0%軽減することに成功した。

English

Test-time scaling (TTS) has demonstrated remarkable success in enhancing large language models, yet its application to next-token prediction (NTP) autoregressive (AR) image generation remains largely uncharted. Existing TTS approaches for visual AR (VAR), which rely on frequent partial decoding and external reward models, are ill-suited for NTP-based image generation due to the inherent incompleteness of intermediate decoding results. To bridge this gap, we introduce ScalingAR, the first TTS framework specifically designed for NTP-based AR image generation that eliminates the need for early decoding or auxiliary rewards. ScalingAR leverages token entropy as a novel signal in visual token generation and operates at two complementary scaling levels: (i) Profile Level, which streams a calibrated confidence state by fusing intrinsic and conditional signals; and (ii) Policy Level, which utilizes this state to adaptively terminate low-confidence trajectories and dynamically schedule guidance for phase-appropriate conditioning strength. Experiments on both general and compositional benchmarks show that ScalingAR (1) improves base models by 12.5% on GenEval and 15.2% on TIIF-Bench, (2) efficiently reduces visual token consumption by 62.0% while outperforming baselines, and (3) successfully enhances robustness, mitigating performance drops by 26.0% in challenging scenarios.