本文介绍了Text-Conditioned Token Selection（TCTS）方案，通过文本信息选择最佳选项，提高图像生成质量和语义对齐度。结合Frequency Adaptive Sampling（FAS），进一步提升效果。实验显示，TCTS与FAS在图像-文本对齐和图像质量上优于基线，并将推理时间缩短50%以上。