Was genau ist AutoFigureEdit?

AutoFigureEdit ist eine KI-gestützte Plattform, die speziell für Forschende entwickelt wurde, um akademische Abbildungen in Publikationsqualität automatisch zu erstellen. Ob Methodendiagramme, statistische Grafiken oder didaktische Infografiken - fünf spezialisierte KI-Agenten arbeiten in einem geschlossenen Rückkopplungssystem zusammen und gewährleisten dabei durchgehend Genauigkeit, Quelltreue und visuelle Exzellenz bei der Umwandlung von wissenschaftlichem Text in professionelle Visualisierungen.

Wie funktioniert AutoFigureEdits Multi-Agenten-Framework?

AutoFigureEdit koordiniert fünf spezialisierte Agenten in Folge: Der Retriever findet visuelle Referenzbeispiele aus einer kuratierten hochwertigen Bibliothek, der Planer übersetzt Text in strukturierte visuelle Layouts, der Stylist synthetisiert ästhetische Richtlinien für Farbe und Typografie, der Visualisierer rendert die Illustration mit Gemini oder ausführbarem Python-Code, und der Kritiker führt drei Runden VLM-gestützter Selbstreflexion durch, um Fehler zu erkennen. Diese geschlossene Architektur macht das System einzigartig originalgetreu, präzise und zuverlässig für die Erstellung akademischer Illustrationen in Publikationsqualität.

Wie stellt AutoFigureEdit die Datengenauigkeit in statistischen Plots sicher?

Anders als allgemeine Bildgeneratoren, die unter numerischen Halluzinationen leiden, verwendet AutoFigureEdit ein codebasiertes Paradigma für statistische Diagramme. Anstatt Diagramme als gerasterte Bilder zu rendern, generiert es ausführbaren Python-Matplotlib-Code, um sicherzustellen, dass Balken, Datenpunkte und Skalen mathematisch präzise und den Rohdaten treu sind. Dieser deterministische Code-Generierungsansatz macht das Framework weitaus zuverlässiger als pixelbasierte Generierung für jede datengesteuerte akademische Abbildung.

Gemini ist ein hochmodernes Bildgenerierungsmodell, das vom Visualisierer-Agenten von AutoFigureEdit verwendet wird. Es ist auf die Synthese komplexer Formen, Verbindungen und wissenschaftlicher Icons für Methodendiagramme spezialisiert und zeichnet sich dadurch aus, detaillierte Layout-Anweisungen des Planer-Agenten zu befolgen und gleichzeitig konsistente visuelle Stile in der gesamten Illustration beizubehalten, von der Farbpalette bis zu den Icon-Formen.

Wie wird AutoFigureEdit evaluiert?

Wir haben FigureBench eingeführt, einen dedizierten Benchmark mit 3,300 Testfällen aus ICLR 2026-Veröffentlichungen. AutoFigureEdit übertrifft durchgehend führende Baselines wie GPT-Image und Paper2Any in vier Schlüsseldimensionen: Originaltreue, Prägnanz, Lesbarkeit und Ästhetik. Das Framework erzielt +17,0% Verbesserung der Gesamtbewertung, +37,2% Verbesserung der Prägnanz und +12,9% Verbesserung der Lesbarkeit gegenüber dem besten konkurrierenden System.

Ist AutoFigureEdit Open Source?

AutoFigureEdit is built on AutoFigureEdit-Edit, an open-source research project available on GitHub under the MIT License. The open-source repository contains the core algorithms, model weights, training data, and FigureBench benchmark for the research community to freely use, reproduce, modify, and extend. AutoFigureEdit (autofigureedit.com) is a commercial service that provides a convenient hosted version with additional features, cloud rendering, and support.

Was ist die Beziehung zwischen AutoFigureEdit und AutoFigureEdit-Edit?

AutoFigureEdit-Edit ist das Open-Source-Forschungsframework auf GitHub unter MIT-Lizenz mit der Kernpipeline (LLM-Generierung + SAM3-Segmentierung + SVG-Vektorisierung), Weboberfläche und FigureBench-Benchmark. AutoFigureEdit (autofigureedit.com) ist ein kommerzieller Webdienst auf Basis von AutoFigureEdit-Edit, der Cloud-Rendering, zusätzliche Funktionen und technischen Support bietet, damit Forscher die Auto Figure Technologie ohne lokale Installation nutzen können.

Welche Eingaben benötigt AutoFigureEdit zur Diagrammerstellung?

AutoFigureEdit benötigt typischerweise drei Eingaben: eine Visual Intent, die die gewünschte Illustration kurz beschreibt, einen Source Context mit den relevanten Abschnitten Ihres Forschungspapers und eine Figure Caption, die unter der generierten Abbildung erscheint. Für statistische Plots müssen Sie auch Rohdaten im JSON- oder CSV-Format bereitstellen, damit das System mathematisch genaue Diagramme über seine codebasierte Rendering-Pipeline erstellen kann.

Kann AutoFigureEdit meine bestehenden Handskizzen verbessern?

Ja. AutoFigureEdit bietet eine Funktion zur ästhetischen Verbesserung, die automatisch zusammengefasste ästhetische Richtlinien anwendet, um Farbschemata, Typografie und die professionelle Qualität von Handzeichnungen zu verbessern. Diese Fähigkeit ist besonders nützlich für Forscher, die bereits ein grobes Diagramm haben, das sie vor der Einreichung bei einer Top-Konferenz wie NeurIPS, ICML oder ICLR polieren möchten.

Welche Arten akademischer Abbildungen kann AutoFigureEdit generieren?

AutoFigureEdit unterstützt eine Vielzahl akademischer Illustrationstypen: Methodendiagramme zur Darstellung von Modellarchitekturen und Systempipelines, statistische Diagramme einschließlich Balkendiagrammen, Liniendiagrammen und Streudiagrammen aus Rohdaten gerendert, Lehrinfografiken für Lehrmaterialien, visuelle Assets für Poster und Konferenzfolien und ästhetische Verfeinerung bestehender Handskizzen. Das Framework deckt das gesamte Spektrum visueller Kommunikationsbedürfnisse ab, die im akademischen Publizieren und in der wissenschaftlichen Forschung häufig auftreten.

Wie schneidet AutoFigureEdit im Vergleich zu DALL-E oder anderen Bildgeneratoren ab?

Allgemeine Bildgeneratoren wie DALL-E produzieren bei der Erstellung akademischer Abbildungen häufig Fehler in logischer Topologie, Verbindungsgenauigkeit und numerischer Präzision. AutoFigureEdit überwindet diese Einschränkungen durch seine strukturierte Multi-Agenten-Pipeline: Der Planer gewährleistet logische Korrektheit, codebasiertes Rendering garantiert Datengenauigkeit und der Kritiker-Agent führt drei Runden iterativer Verifizierung durch. Dadurch produziert das Framework akademische Illustrationen, die sowohl visuell ansprechend als auch wissenschaftlich originalgetreu sind — etwas, das generische Bildgeneratoren einfach nicht zuverlässig erreichen können, wenn sie mit der Erstellung technischer wissenschaftlicher Abbildungen beauftragt werden.

Akzeptiert bei ICLR 2026

AutoFigureEdit: Akademische Abbildungen intelligent generieren und nach Belieben anpassen

Wandeln Sie Methodenabschnitte aus wissenschaftlichen Artikeln in vollständig bearbeitbare SVG-Diagramme um — kamerafähige Wissenschaftsabbildungen, die Sie Element für Element anpassen können.
Basierend auf LLM-Entwurfsgenerierung, SAM3-Komponentenerkennung und automatischer Vektorkonvertierung. Veröffentlicht auf der ICLR 2026.

Generator ausprobieren

Paper lesen (ICLR 2026)

Testen Sie AutoFigureEdit sofort

Erleben Sie hier die intelligente Abbildungserstellung von AutoFigureEdit in Aktion. Fügen Sie einfach Ihren Methodentext ein und laden Sie bei Bedarf ein Referenzbild hoch, um eine einheitliche Stilsprache zu gewährleisten. AutoFigureEdit erzeugt bearbeitbare SVG-Illustrationen, die den Anforderungen akademischer Publikationen entsprechen.

Bildgenerator

Methodentext

Tipp: Knapper, strukturierter Methodentext erzeugt sauberere Vorlagen

0 / 15000

Referenzbild (optional)

Laden Sie eine Skizze oder ein Diagramm zur Verbesserung hoch

Tipp: Laden Sie eine Abbildung aus einem Paper hoch, dessen visuellen Stil Sie übertragen möchten

Kostet 5 Guthaben

Bildvorschau

Keine Bilder generiert

FigureBench-Leistung

Validiert auf FigureBench — dem ersten groß angelegten Benchmark für wissenschaftliche Illustrationsgenerierung mit 3.300 Proben aus Artikeln, Blogs, Übersichten und Lehrbüchern.

3.300

Benchmark-Proben

1,7k

GitHub Stars

ICLR 2026

Veröffentlicht bei

MIT

Open-Source-Lizenz

AutoFigureEdit Ergebnisübersicht

Nachfolgend finden Sie eine Auswahl von Abbildungen, die AutoFigureEdit in verschiedenen Fachdisziplinen erstellt hat und die seine Fähigkeit unter Beweis stellen, unterschiedlichste Komplexitätsstufen zu bewältigen.

Paper-Beispiel

Auto Figure erstellt publikationsfertige Methodendiagramme direkt aus dem Text von Forschungsarbeiten. Komplexe Modellarchitekturen, mehrstufige Pipelines und Encoder-Decoder-Frameworks werden als vollständig editierbare SVG-Illustrationen gerendert.

Survey-Beispiel

Für Übersichtsarbeiten erstellt Auto Figure umfassende Übersichtsdiagramme, die Taxonomie, Beziehungen und Vergleiche mehrerer Methoden erfassen.

Blog-Beispiel

Auto Figure verarbeitet auch informelle technische Texte. Von Blogbeiträgen bis zu technischen Tutorials erstellt es klare und visuell ansprechende Diagramme.

Lehrbuch-Beispiel

Für Bildungsinhalte erstellt Auto Figure Illustrationen in Lehrbuchqualität, die grundlegende Konzepte klar vermitteln.

Der Engpass, den AutoFigureEdit löst

Trotz KI-Fortschritten beim Code-Schreiben und der Formelableitung bleibt die Erstellung publikationsreifer Illustrationen ein manuelles Desaster.

Zeitaufwendige manuelle Arbeit

Das manuelle Anpassen von Layout, Ausrichtung und Farbschemata kann Stunden oder sogar Tage der kostbaren Zeit eines Forschers verbrauchen.

Halluzinationsrisiken

Universelle Generierungsmodelle (z.B. DALL-E) produzieren häufig Fehler in logischer Topologie und Datenpräzision — numerische Halluzinationen.

Ästhetische Lücke

Nicht-professionelle Designer haben Schwierigkeiten, die visuellen ästhetischen Anforderungen von Top-Konferenzen wie NeurIPS, ICML und ICLR zu erfüllen.

Kerninnovationen von Auto Figure

AutoFigureEdit-Edit führt mehrere bahnbrechende Innovationen für die automatisierte Erstellung wissenschaftlicher Illustrationen ein, veröffentlicht auf der ICLR 2026.

Unlike rasterized alternatives, Auto Figure outputs structured Vector Graphics where every component — text, shapes, arrows, icons — is individually editable. Modify any element losslessly without quality degradation. No more regenerating from scratch for a small change.

Systemarchitektur: 5-Stufen-Pipeline

Auto Figure verwandelt wissenschaftlichen Text in editierbare SVG-Illustrationen durch eine 5-Stufen-Pipeline.

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.

Antworten auf Ihre Fragen

Hier finden Sie die am häufigsten gestellten Fragen unserer Nutzer zu AutoFigureEdit mit ausführlichen Antworten.

Vom Manuskripttext zur publikationsreifen Abbildung in Minuten

Konvertieren Sie Ihre Methodenbeschreibungen mit der AutoFigureEdit-Pipeline in modifizierbare SVG-Wissenschaftsdiagramme. Keine Designkenntnisse erforderlich.

AutoFigureEdit jetzt ausprobieren

ICLR 2026 Paper lesen