生成式图像通信在有限的数据包预算下传输紧凑的语义令牌，令牌的选择直接决定完整数据包解码后的重建质量。传统做法需要在接收端对每个候选令牌进行多次重建，以准确估计其终端价值，这会导致编码端计算量巨大。为此我们提出 ACV-Gate——一种自适应候选评估框架，学习近似全预算反事实评估，并仅对最具信息量的候选进行精确评估。框架核心是一个集合感知学生网络，它利用终端优势和后悔值直接预测候选排序；随后通过选择性细化机制，仅在包含 Local‑MDL 与直接动作的有限集合上进行评估；基于成本的阈值进一步实现对平均评估工作量的显式控制。实验在 CIFAR‑10 上表明，ACV-Gate 在显著降低候选评估次数的同时提升重建质量；在 0.20 bpp 时，主配置相较于 LocalMDL 提高 PSNR 0.636 dB，平均每幅图仅评估 2.13 个候选，仅为 Exact‑Full 专家的 27.60% 调用次数。匹配候选比较、同步 GPU 测量以及在 STL‑10 与 384×384 规模迁移实验进一步验证了该方法在低比特率下的质量‑计算权衡优势。综上，终端价值学习结合选择性候选评估为数据包受限的生成式图像通信提供了一种高效且可控的编码计算分配机制。
点评