AutoFigureEdit: Genera figuras científicas editables de forma inteligente
Transforma las secciones metodológicas de artículos académicos en diagramas SVG completamente modificables — figuras científicas listas para publicación que puedes personalizar elemento a elemento.
Impulsado por generación LLM, detección de componentes SAM3 y conversión vectorial automática. Publicado en ICLR 2026.
Experimenta AutoFigureEdit Ahora Mismo
Descubre en primera persona la generación inteligente de figuras de AutoFigureEdit. Solo tienes que pegar tu texto metodológico y, si lo deseas, cargar una imagen de referencia para mantener la coherencia estilística. AutoFigureEdit creará ilustraciones SVG editables que cumplen los estándares de publicación académica.
consejo: un texto metodológico conciso y estructurado produce plantillas más limpias
consejo: suba una figura de un artículo que le guste para transferir su estilo visual
No Se Generaron Imágenes
Rendimiento de FigureBench
Validado en FigureBench — el primer benchmark a gran escala para generación de ilustraciones científicas con 3.300 muestras de artículos, blogs, revisiones y libros de texto.
3.300 Muestras de benchmark
Muestras de benchmark
1,7k GitHub Stars
GitHub Stars
ICLR 2026 Publicado en
Publicado en
MIT Licencia de código abierto
Licencia de código abierto
Ejemplos generados por AutoFigureEdit
A continuación presentamos una selección de figuras producidas por AutoFigureEdit en distintas disciplinas académicas, que ilustran su capacidad para abordar diferentes grados de complejidad.
Caso Artículo
Auto Figure genera diagramas metodológicos de calidad de publicación directamente del texto de artículos de investigación. Arquitecturas complejas, pipelines multi-etapa y frameworks encoder-decoder se renderizan como SVG totalmente editables.
Caso Revisión
Para artículos de revisión, Auto Figure crea diagramas panorámicos completos que capturan taxonomía, relaciones y comparaciones entre múltiples métodos.
Caso Blog
Auto Figure también maneja escritura técnica informal. Desde publicaciones de blog hasta tutoriales técnicos, genera diagramas claros y visualmente atractivos.
Caso Libro de Texto
Para contenido educativo, Auto Figure produce ilustraciones de calidad de libro de texto que transmiten claramente conceptos fundamentales.
El Cuello de Botella que AutoFigureEdit Resuelve
A pesar de los avances de la IA en escritura de código y derivación de fórmulas, crear ilustraciones de calidad de publicación sigue siendo una zona de desastre de trabajo manual.
Trabajo Manual que Consume Tiempo
Ajustar manualmente el diseño, la alineación y los esquemas de color puede consumir horas o incluso días del valioso tiempo de un investigador.
Riesgos de Alucinación
Los modelos de generación de propósito general (ej., DALL-E) frecuentemente producen errores en topología lógica y precisión de datos — alucinaciones numéricas.
Brecha Estética
Los diseñadores no profesionales luchan por cumplir los requisitos estéticos visuales de las principales conferencias como NeurIPS, ICML e ICLR.
Innovaciones clave de Auto Figure
AutoFigureEdit-Edit introduce varias innovaciones revolucionarias para la generación automatizada de ilustraciones científicas, publicado en ICLR 2026.
Arquitectura del sistema: pipeline de 5 etapas
Auto Figure transforma texto científico en ilustraciones SVG editables a través de un pipeline de 5 etapas.
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.
Respuestas a tus dudas
Hemos recopilado las consultas más habituales de los usuarios sobre AutoFigureEdit junto con sus respuestas detalladas.
Del texto del paper a la figura lista para publicar en minutos
Convierte tus descripciones metodológicas en diagramas científicos SVG modificables con el pipeline de AutoFigureEdit. No se requieren conocimientos de diseño.