AutoFigureEdit: Produci figure scientifiche modificabili in modo intelligente
Trasforma le sezioni metodologiche di articoli accademici in diagrammi SVG completamente modificabili — figure scientifiche pronte per la pubblicazione, personalizzabili elemento per elemento.
Basato su generazione LLM, rilevamento di componenti SAM3 e conversione vettoriale automatica. Pubblicato a ICLR 2026.
Metti alla prova AutoFigureEdit adesso
Sperimenta direttamente qui la generazione intelligente di figure di AutoFigureEdit. Incolla semplicemente il tuo testo metodologico e, se desideri, carica un'immagine di riferimento per garantire coerenza stilistica. AutoFigureEdit produrrà illustrazioni SVG modificabili che rispettano gli standard delle pubblicazioni accademiche.
suggerimento: un testo metodologico conciso e strutturato produce template più puliti
suggerimento: carica una figura da un articolo che ti piace per trasferirne lo stile visivo
Nessuna immagine generata
Prestazioni di FigureBench
Validato su FigureBench — il primo benchmark su larga scala per la generazione di illustrazioni scientifiche con 3.300 campioni da articoli, blog, rassegne e libri di testo.
3.300 Campioni benchmark
Campioni benchmark
1,7k GitHub Stars
GitHub Stars
ICLR 2026 Pubblicato a
Pubblicato a
MIT Licenza open source
Licenza open source
Risultati di AutoFigureEdit in azione
Di seguito una selezione di figure prodotte da AutoFigureEdit in diverse discipline scientifiche, a testimonianza della sua capacità di gestire differenti gradi di complessità.
Caso Articolo
Auto Figure genera diagrammi metodologici di qualità pubblicazione direttamente dal testo di articoli di ricerca. Architetture complesse, pipeline multi-stadio e framework encoder-decoder vengono resi come SVG completamente modificabili.
Caso Rassegna
Per gli articoli di rassegna, Auto Figure crea diagrammi panoramici completi che catturano tassonomia, relazioni e confronti tra metodi multipli.
Caso Blog
Auto Figure gestisce anche la scrittura tecnica informale. Dai post di blog ai tutorial tecnici, genera diagrammi chiari e visivamente accattivanti.
Caso Manuale
Per i contenuti educativi, Auto Figure produce illustrazioni di qualità da manuale che trasmettono chiaramente i concetti fondamentali.
Il collo di bottiglia che AutoFigureEdit risolve
Nonostante i progressi dell'IA nella scrittura di codice e nella derivazione di formule, la creazione di illustrazioni di qualità pubblicabile rimane un disastro di lavoro manuale.
Lavoro manuale dispendioso
Regolare manualmente layout, allineamento e combinazioni cromatiche può richiedere ore o addirittura giorni del prezioso tempo di un ricercatore.
Rischi di allucinazione
I modelli di generazione generici (ad es., DALL-E) producono frequentemente errori nella topologia logica e nella precisione dei dati — allucinazioni numeriche.
Divario estetico
I designer non professionisti faticano a soddisfare i requisiti estetici visivi delle migliori conferenze come NeurIPS, ICML e ICLR.
Innovazioni chiave di Auto Figure
AutoFigureEdit-Edit introduce diverse innovazioni rivoluzionarie per la generazione automatizzata di illustrazioni scientifiche, pubblicato a ICLR 2026.
Architettura del sistema: pipeline a 5 fasi
Auto Figure trasforma il testo scientifico in illustrazioni SVG modificabili attraverso un pipeline a 5 fasi.
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.
Le risposte alle tue domande
Abbiamo raccolto le domande più frequenti degli utenti su AutoFigureEdit con risposte esaustive.
Dal testo dell'articolo alla figura pronta per la pubblicazione in pochi minuti
Converti le tue descrizioni metodologiche in diagrammi scientifici SVG modificabili con la pipeline AutoFigureEdit. Nessuna competenza di design richiesta.