Qu'est-ce qu'AutoFigureEdit exactement ?

AutoFigureEdit est une plateforme d'intelligence artificielle spécialement conçue pour les chercheurs qui ont besoin de produire des figures académiques de qualité éditoriale. Grâce à la coordination de cinq agents IA spécialisés travaillant en synergie dans un pipeline à rétroaction continue, elle transforme du texte scientifique brut en diagrammes méthodologiques, visualisations statistiques et infographies pédagogiques, tout en garantissant précision, fidélité et excellence visuelle.

Comment fonctionne le framework multi-agents de AutoFigureEdit ?

AutoFigureEdit coordonne cinq agents spécialisés en séquence : le Récupérateur localise des échantillons visuels de référence dans une bibliothèque de haute qualité, le Planificateur traduit le texte en mises en page visuelles structurées, le Styliste synthétise des directives esthétiques pour les couleurs et la typographie, le Visualiseur rend l'illustration avec Gemini ou du code Python exécutable, et le Critique effectue trois rounds d'auto-réflexion alimentés par VLM pour détecter les erreurs. Cette architecture en boucle fermée est ce qui rend le système particulièrement fidèle, précis et fiable pour générer des illustrations académiques de qualité publication.

Comment AutoFigureEdit garantit-il la précision des données dans les graphiques statistiques ?

Contrairement aux générateurs d'images généralistes qui souffrent d'hallucinations numériques, AutoFigureEdit utilise un paradigme basé sur le code pour les graphiques statistiques. Au lieu de rendre les graphiques sous forme d'images pixelisées, il génère du code Python Matplotlib exécutable pour garantir que les barres, les points de données et les échelles sont mathématiquement précis et fidèles aux données brutes. Cette approche déterministe de génération de code rend le framework bien plus fiable que la génération basée sur les pixels pour toute figure académique basée sur les données où l'intégrité numérique est non négociable.

Qu'est-ce que Gemini ?

Gemini est un modèle de génération d'images de pointe utilisé par l'agent Visualiseur de AutoFigureEdit. Il se spécialise dans la synthèse de formes complexes, de connecteurs et d'icônes scientifiques pour les diagrammes méthodologiques, excellant dans le suivi des instructions de mise en page détaillées de l'agent Planificateur tout en maintenant des styles visuels cohérents dans l'ensemble de l'illustration, de la palette de couleurs aux formes des icônes.

Comment AutoFigureEdit est-il évalué ?

Nous avons introduit FigureBench, un benchmark dédié comprenant 3,300 cas de test extraits des publications ICLR 2026. AutoFigureEdit surpasse systématiquement les principaux systèmes de référence, dont GPT-Image et Paper2Any, sur quatre dimensions clés : fidélité, concision, lisibilité et esthétique. Le framework atteint une amélioration de +17,0 % du score global, +37,2 % d'amélioration de la concision et +12,9 % d'amélioration de la lisibilité par rapport au meilleur système concurrent.

AutoFigureEdit est-il 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.

Quelle est la relation entre AutoFigureEdit et AutoFigureEdit-Edit ?

AutoFigureEdit-Edit est le framework de recherche open source publié sur GitHub sous licence MIT, contenant le pipeline principal (génération LLM + segmentation SAM3 + vectorisation SVG), l'interface web et le benchmark FigureBench. AutoFigureEdit (autofigureedit.com) est un service web commercial construit sur AutoFigureEdit-Edit, offrant le rendu cloud, des fonctionnalités supplémentaires et un support technique pour que les chercheurs puissent utiliser la technologie Auto Figure sans installation locale.

Quelles entrées AutoFigureEdit nécessite-t-il pour générer un diagramme ?

AutoFigureEdit nécessite généralement trois entrées : une Intention visuelle décrivant brièvement l'illustration souhaitée, un Contexte source contenant les sections pertinentes de votre article de recherche, et une Légende de figure qui apparaîtra sous la figure générée. Pour les graphiques statistiques, vous devez également fournir les Données brutes au format JSON ou CSV afin que le système puisse générer des graphiques mathématiquement précis via son pipeline de rendu basé sur le code.

AutoFigureEdit peut-il améliorer mes croquis dessinés à la main ?

Oui. AutoFigureEdit offre une fonctionnalité d'amélioration esthétique qui applique des directives esthétiques auto-résumées pour rehausser les palettes de couleurs, la typographie et la qualité professionnelle des brouillons dessinés à la main. Cette fonctionnalité est particulièrement utile pour les chercheurs qui disposent déjà d'un diagramme brut qu'ils souhaitent peaufiner avant soumission à une conférence de premier plan comme NeurIPS, ICML ou ICLR.

Quels types de figures académiques AutoFigureEdit peut-il générer ?

AutoFigureEdit prend en charge un large éventail de types d'illustrations académiques : des diagrammes méthodologiques représentant les architectures de modèles et les pipelines système, des graphiques statistiques incluant des diagrammes à barres, des graphiques linéaires et des nuages de points rendus à partir de données brutes, des infographies éducatives pour les supports pédagogiques, des éléments visuels pour posters et diapositives de conférence, et le raffinement esthétique de croquis dessinés à la main. Le framework couvre l'ensemble du spectre des besoins en communication visuelle couramment rencontrés dans la publication académique et la recherche scientifique.

Comment AutoFigureEdit se compare-t-il à DALL-E ou à d'autres générateurs d'images ?

Les générateurs d'images généralistes comme DALL-E produisent fréquemment des erreurs dans la topologie logique, la précision des connexions et la précision numérique lors de la création de figures académiques. AutoFigureEdit surmonte ces limitations grâce à son pipeline multi-agents structuré : le Planificateur garantit la justesse logique, le rendu basé sur le code assure la précision des données, et l'agent Critique effectue trois rounds de vérification itérative. En conséquence, le framework produit des illustrations académiques à la fois visuellement soignées et scientifiquement fidèles — quelque chose que les générateurs d'images génériques ne peuvent tout simplement pas atteindre de manière fiable lorsqu'ils sont chargés de créer des figures scientifiques techniques.

Accepté à ICLR 2026

AutoFigureEdit : Produisez intelligemment des figures scientifiques personnalisables

Transformez les sections méthodologiques de vos articles académiques en diagrammes SVG entièrement modifiables — des figures scientifiques prêtes à publier, personnalisables élément par élément.
Propulsé par la génération LLM, la détection de composants SAM3 et la conversion vectorielle automatique. Publié à l'ICLR 2026.

Essayer le générateur

Lire le paper (ICLR 2026)

Testez AutoFigureEdit dès maintenant

Expérimentez ici même la génération intelligente de figures d'AutoFigureEdit. Collez simplement votre texte méthodologique et, si vous le souhaitez, importez une image de référence pour assurer la cohérence stylistique. AutoFigureEdit produira des illustrations SVG modifiables conformes aux exigences de publication académique.

Générateur d'images

Texte méthodologique

conseil : un texte méthodologique concis et structuré produit des modèles plus propres

0 / 15000

Image de référence (optionnel)

Téléchargez un croquis ou un schéma à améliorer

conseil : téléchargez une figure d'un article que vous aimez pour transférer son style visuel

Coût : 5 crédits

Aperçu de l'image

Aucune image générée

Performance de FigureBench

Validé sur FigureBench — le premier benchmark à grande échelle pour la génération d'illustrations scientifiques avec 3 300 échantillons issus d'articles, blogs, revues et manuels.

3 300

Échantillons de benchmark

1,7k

GitHub Stars

ICLR 2026

Publié à

MIT

Licence open source

Réalisations d'AutoFigureEdit

Découvrez ci-dessous une sélection de figures produites par AutoFigureEdit dans différentes disciplines scientifiques, témoignant de sa capacité à traiter des niveaux de complexité variés.

Cas Article

Auto Figure génère des diagrammes méthodologiques de qualité publication directement à partir du texte d'articles de recherche. Les architectures complexes, les pipelines multi-étapes et les frameworks encodeur-décodeur sont rendus en SVG entièrement éditable.

Cas Revue

Pour les articles de revue, Auto Figure crée des diagrammes synthétiques capturant la taxonomie, les relations et les comparaisons entre différentes méthodes.

Cas Blog

Auto Figure gère aussi la rédaction technique informelle. Des articles de blog aux tutoriels, il génère des diagrammes clairs et visuellement attrayants.

Cas Manuel

Pour le contenu éducatif, Auto Figure produit des illustrations de qualité manuel scolaire transmettant clairement les concepts fondamentaux.

Le goulot d'étranglement que AutoFigureEdit résout

Malgré les avancées de l'IA en écriture de code et dérivation de formules, la création d'illustrations de qualité publication reste un cauchemar de travail manuel.

Travail manuel chronophage

Ajuster manuellement la mise en page, l'alignement et les palettes de couleurs peut consommer des heures, voire des jours, du temps précieux d'un chercheur.

Risques d'hallucination

Les modèles de génération généralistes (p. ex. DALL-E) produisent fréquemment des erreurs dans la topologie logique et la précision des données — des hallucinations numériques.

Écart esthétique

Les non-designers professionnels peinent à satisfaire les exigences esthétiques visuelles des meilleures conférences comme NeurIPS, ICML et ICLR.

Innovations clés d'Auto Figure

AutoFigureEdit-Edit introduit plusieurs innovations majeures pour la génération automatisée d'illustrations scientifiques, publié à l'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.

Architecture système : pipeline en 5 étapes

Auto Figure transforme le texte scientifique en illustrations SVG éditables à travers un pipeline en 5 étapes.

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.

Vos questions, nos réponses

Retrouvez ici les interrogations les plus fréquentes des utilisateurs concernant AutoFigureEdit, accompagnées de réponses détaillées.

Du texte au schéma prêt à publier en quelques minutes

Convertissez vos descriptions méthodologiques en diagrammes scientifiques SVG modifiables avec le pipeline AutoFigureEdit. Aucune compétence en design requise.

Essayer AutoFigureEdit maintenant

Lire le paper ICLR 2026