AutoFigureEdit: 학술 논문 도해를 지능적으로 생성하고 마음껏 편집
학술 논문의 방법론 섹션을 완전히 수정 가능한 SVG 다이어그램으로 변환합니다 — 요소별로 커스터마이즈 가능한 출판 수준의 과학 도해.
LLM 초안 생성, SAM3 컴포넌트 감지, 자동 벡터 변환 기반. ICLR 2026 발표.
지금 바로 AutoFigureEdit를 사용해 보세요
이곳에서 AutoFigureEdit의 스마트 도해 생성 기능을 바로 체험할 수 있습니다. 방법론 텍스트를 붙여넣고 원하시면 참조 이미지도 업로드해 스타일 일관성을 확보하세요. AutoFigureEdit가 출판 기준에 부합하는 편집 가능한 SVG 학술 일러스트를 자동으로 생성해 드립니다.
팁: 간결하고 구조화된 방법론 텍스트가 더 깔끔한 템플릿을 생성합니다
팁: 좋아하는 논문의 그림을 업로드하여 시각적 스타일을 전송할 수 있습니다
생성된 이미지 없음
FigureBench 성능
FigureBench에서 검증 — 논문, 블로그, 서베이, 교과서에서 3,300개 샘플을 수집한 최초의 대규모 학술 일러스트 생성 벤치마크.
3,300 벤치마크 샘플
벤치마크 샘플
1.7k GitHub Stars
GitHub Stars
ICLR 2026 게재
게재
MIT 오픈소스 라이선스
오픈소스 라이선스
AutoFigureEdit 생성 결과 모음
아래는 AutoFigureEdit가 여러 학술 분야에서 실제로 생성한 도해 사례입니다. 다양한 난이도의 학술 일러스트에 대한 뛰어난 적응력을 확인해 보세요.
논문 케이스
Auto Figure는 연구 논문 텍스트에서 출판 품질의 방법론 다이어그램을 직접 생성합니다. 복잡한 모델 아키텍처, 다단계 파이프라인, 인코더-디코더 프레임워크를 정확한 도형, 커넥터, 레이블이 포함된 완전히 편집 가능한 SVG 일러스트레이션으로 렌더링합니다.
서베이 케이스
서베이 논문의 경우, Auto Figure는 여러 방법 간의 분류 체계, 관계 및 비교를 포착하는 포괄적인 개요 다이어그램을 생성합니다. 생성된 그림은 명확한 시각적 계층 구조와 일관된 스타일링으로 연구 분야의 전체 그림을 빠르게 파악하는 데 도움을 줍니다.
블로그 케이스
Auto Figure는 비공식적인 기술 글도 처리합니다. 머신러닝 개념을 설명하는 블로그 글부터 기술 튜토리얼까지, 복잡한 아이디어를 더 넓은 독자층이 이해할 수 있도록 명확하고 시각적으로 매력적인 다이어그램을 생성합니다.
교과서 케이스
교육 콘텐츠의 경우, Auto Figure는 기초 개념을 명확하게 전달하는 교과서 수준의 일러스트레이션을 생성합니다. 신경망 아키텍처, 데이터 흐름 다이어그램, 생물학적 프로세스 등 강의 슬라이드, 교재, 교과서 챕터에 적합한 그림을 생성합니다.
AutoFigureEdit가 해결하는 병목
코드 작성과 수식 도출에서 AI가 발전했음에도 출판 수준의 일러스트레이션 제작은 여전히 수작업의 재난 지대입니다.
시간 소모적인 수작업
레이아웃, 정렬, 색상 체계를 수동으로 조정하면 연구자의 소중한 시간이 수 시간에서 수 일까지 소모될 수 있습니다.
환각 위험
범용 생성 모델(예: DALL-E)은 논리적 토폴로지와 데이터 정밀도에서 오류를 빈번하게 생성합니다 — 수치 환각.
미적 격차
비전문 디자이너는 NeurIPS, ICML, ICLR 같은 최상위 학술대회의 시각적 미적 요구사항을 충족하기 어렵습니다.
Auto Figure의 핵심 혁신
AutoFigureEdit-Edit는 ICLR 2026에 발표된 과학 일러스트레이션 자동 생성 분야의 획기적인 혁신을 도입합니다.
시스템 아키텍처: 5단계 파이프라인
Auto Figure는 5단계 파이프라인을 통해 과학 텍스트를 편집 가능한 SVG 일러스트레이션으로 변환합니다.
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.
궁금한 점 해결
사용자들이 AutoFigureEdit에 대해 가장 많이 문의하는 사항과 상세 답변을 정리했습니다.
논문 텍스트에서 출판 수준 도해까지 몇 분이면 완성
AutoFigureEdit 파이프라인으로 방법론 설명을 수정 가능한 SVG 과학 다이어그램으로 변환하세요. 디자인 기술이 필요 없습니다.