AutoFigureEdit: Gere figuras científicas editáveis de forma inteligente
Transforme seções metodológicas de artigos acadêmicos em diagramas SVG completamente modificáveis — figuras científicas prontas para publicação, personalizáveis elemento por elemento.
Baseado em geração LLM, detecção de componentes SAM3 e conversão vetorial automática. Publicado no ICLR 2026.
Teste o AutoFigureEdit Agora Mesmo
Experimente aqui a geração inteligente de figuras do AutoFigureEdit. Basta colar o seu texto metodológico e, se desejar, carregar uma imagem de referência para manter a coerência estilística. O AutoFigureEdit produzirá ilustrações SVG editáveis que atendem aos padrões de publicação acadêmica.
dica: texto metodológico conciso e estruturado gera templates mais limpos
dica: faça upload de uma figura de um artigo que você goste para transferir seu estilo visual
Nenhuma Imagem Gerada
Desempenho do FigureBench
Validado no FigureBench — o primeiro benchmark em larga escala para geração de ilustrações científicas com 3.300 amostras de artigos, blogs, revisões e livros didáticos.
3.300 Amostras de benchmark
Amostras de benchmark
1,7k GitHub Stars
GitHub Stars
ICLR 2026 Publicado em
Publicado em
MIT Licença open source
Licença open source
Resultados do AutoFigureEdit em ação
Confira abaixo uma seleção de figuras produzidas pelo AutoFigureEdit em diversas disciplinas científicas, comprovando sua capacidade de lidar com diferentes graus de complexidade.
Caso Artigo
Auto Figure gera diagramas metodológicos de qualidade de publicação diretamente do texto de artigos de pesquisa. Arquiteturas complexas, pipelines multi-estágio e frameworks encoder-decoder são renderizados como SVG totalmente editáveis.
Caso Revisão
Para artigos de revisão, Auto Figure cria diagramas panorâmicos abrangentes que capturam taxonomia, relações e comparações entre múltiplos métodos.
Caso Blog
Auto Figure também lida com escrita técnica informal. De posts de blog a tutoriais técnicos, gera diagramas claros e visualmente atraentes.
Caso Livro Didático
Para conteúdo educacional, Auto Figure produz ilustrações de qualidade de livro didático que transmitem claramente conceitos fundamentais.
O Gargalo que o AutoFigureEdit Resolve
Apesar dos avanços da IA na escrita de código e derivação de fórmulas, criar ilustrações de qualidade de publicação continua sendo uma zona de desastre de trabalho manual.
Trabalho Manual Demorado
Ajustar manualmente layout, alinhamento e esquemas de cores pode consumir horas ou até dias do tempo precioso de um pesquisador.
Riscos de Alucinação
Modelos de geração de propósito geral (ex., DALL-E) frequentemente produzem erros em topologia lógica e precisão de dados — alucinações numéricas.
Lacuna Estética
Designers não profissionais lutam para atender aos requisitos estéticos visuais das principais conferências como NeurIPS, ICML e ICLR.
Inovações-chave do Auto Figure
AutoFigureEdit-Edit introduz várias inovações revolucionárias para a geração automatizada de ilustrações científicas, publicado no ICLR 2026.
Arquitetura do sistema: pipeline de 5 estágios
Auto Figure transforma texto científico em ilustrações SVG editáveis através de um pipeline de 5 estágios.
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.
Tire suas dúvidas
Reunimos as perguntas mais frequentes dos usuários sobre o AutoFigureEdit com respostas detalhadas.
Do texto do artigo à figura pronta para publicação em minutos
Converta suas descrições metodológicas em diagramas científicos SVG modificáveis com o pipeline AutoFigureEdit. Não são necessárias habilidades de design.