AutoFigureEdit: إنتاج ذكي لأشكال علمية قابلة للتخصيص
حوّل أقسام المنهجية في الأوراق البحثية إلى مخططات SVG قابلة للتعديل الكامل — أشكال علمية جاهزة للنشر يمكنك تخصيصها عنصراً بعنصر.
مدعوم بتوليد مسودات LLM، وكشف مكونات SAM3، والتحويل المتجهي التلقائي. مُقدَّم في ICLR 2026.
اختبر AutoFigureEdit فوراً
جرّب هنا مباشرةً قدرات AutoFigureEdit في الإنشاء الذكي للأشكال. ما عليك سوى لصق نصك المنهجي، ويمكنك أيضاً رفع صورة مرجعية لضمان التناسق البصري. سيقوم AutoFigureEdit بإنتاج رسوم SVG توضيحية قابلة للتحرير تستوفي معايير النشر الأكاديمي.
نصيحة: النص المنهجي المختصر والمنظم ينتج قوالب أنظف
نصيحة: ارفع شكلاً من ورقة تعجبك لنقل أسلوبها البصري
لم يتم إنشاء صور
أداء FigureBench
تم التحقق عبر FigureBench — أول معيار مرجعي واسع النطاق لتوليد الرسوم التوضيحية العلمية يضم 3,300 عينة من الأوراق والمدونات والمراجعات والكتب الدراسية.
3,300 عينة مرجعية
عينة مرجعية
1.7k GitHub Stars
GitHub Stars
ICLR 2026 نُشر في
نُشر في
MIT رخصة مفتوحة المصدر
رخصة مفتوحة المصدر
نماذج من إنتاج AutoFigureEdit
فيما يلي مجموعة مختارة من الأشكال التي أنتجها AutoFigureEdit في تخصصات علمية متنوعة، تُبرهن على قدرته في التعامل مع درجات تعقيد مختلفة.
حالة ورقة بحثية
ينشئ Auto Figure رسومات منهجية بجودة النشر مباشرة من نص الأوراق البحثية. يتم تقديم هياكل النماذج المعقدة وخطوط الأنابيب متعددة المراحل وأطر التشفير وفك التشفير كرسوم SVG قابلة للتعديل بالكامل مع أشكال ووصلات وتسميات دقيقة.
حالة مراجعة
بالنسبة لأوراق المراجعة، ينشئ Auto Figure رسومات نظرة عامة شاملة تلتقط التصنيف والعلاقات والمقارنات عبر طرق متعددة. تساعد الأشكال المُنشأة القراء على فهم المشهد البحثي بسرعة من خلال تسلسل بصري واضح وتنسيق متسق.
حالة مدونة
يتعامل Auto Figure أيضًا مع الكتابة التقنية غير الرسمية. من منشورات المدونات التي تشرح مفاهيم التعلم الآلي إلى البرامج التعليمية التقنية، ينشئ رسومات واضحة وجذابة بصريًا تجعل الأفكار المعقدة في متناول جمهور أوسع.
حالة كتاب دراسي
بالنسبة للمحتوى التعليمي، ينتج Auto Figure رسومات بجودة الكتب الدراسية تنقل المفاهيم الأساسية بوضوح. سواء كانت هندسة شبكة عصبية أو مخطط تدفق بيانات أو عملية بيولوجية، فإن الأشكال المُنشأة مناسبة لشرائح المحاضرات ومواد الدورات وفصول الكتب الدراسية.
العقبة التي يحلها AutoFigureEdit
على الرغم من تقدم الذكاء الاصطناعي في كتابة الأكواد واشتقاق الصيغ الرياضية، يبقى إنشاء الرسوم التوضيحية بجودة النشر كابوسًا من العمل اليدوي.
عمل يدوي مستهلك للوقت
ضبط التخطيط والمحاذاة وأنظمة الألوان يدويًا يمكن أن يستهلك ساعات أو حتى أيامًا من وقت الباحث الثمين.
مخاطر الهلوسة
نماذج التوليد العامة (مثل DALL-E) كثيرًا ما تنتج أخطاء في التبولوجيا المنطقية ودقة البيانات — وهي الهلوسات العددية.
الفجوة الجمالية
يواجه المصممون غير المحترفين صعوبة في تلبية متطلبات الجودة البصرية للمؤتمرات الكبرى مثل NeurIPS وICML وICLR.
ابتكارات Auto Figure الرئيسية
يقدم AutoFigureEdit-Edit عدة ابتكارات رائدة في مجال إنشاء الرسوم التوضيحية العلمية الآلية، نُشر في ICLR 2026.
هندسة النظام: خط أنابيب من 5 مراحل
يحول Auto Figure النص العلمي إلى رسوم SVG قابلة للتعديل عبر خط أنابيب من 5 مراحل.
Stage 1: Raster Generation
A vision-language model (Gemini 3.1 Flash) reads your method text and optional reference image, then generates an initial raster draft (figure.png). The LLM understands scientific figure conventions and translates textual methodology into a visual composition.
Stage 2: SAM3 Segmentation
Segment Anything Model 3 (SAM3) detects and segments distinct components — icons, text regions, connectors, shapes — using structured prompts like 'icon, person, robot, animal'. Outputs bounding boxes with confidence scores and a segmentation map (samed.png).
Stage 3: SVG Templating
Using the original figure, segmentation mask, and box metadata as multimodal inputs, the LLM (Gemini 3.1 Pro) generates a placeholder-style SVG whose boxes align with labeled regions. RMBG-2.0 removes backgrounds from cropped icons to create transparent assets.
Stage 4: Final Assembly
The system aligns coordinate systems between the SVG template and original figure, then replaces placeholders with transparent icons extracted from segmentation. This produces the assembled SVG (final.svg) with all components as individually editable vector elements.
Stage 5: Iterative Refinement
An optional optimization stage performs iterative SVG refinement — path optimization, stroke recognition, and layout fine-tuning. Users can also refine the output in Auto Figure's built-in svg-edit canvas with drag-and-drop composition, completing the text-to-editable-SVG workflow.
إجابات على استفساراتك
جمعنا لك أكثر الأسئلة التي يطرحها المستخدمون حول AutoFigureEdit مع إجابات وافية ومفصّلة.
من نص البحث إلى شكل جاهز للنشر في دقائق
حوّل أوصاف منهجيتك إلى مخططات علمية SVG قابلة للتعديل باستخدام خط أنابيب AutoFigureEdit. لا حاجة لمهارات التصميم.