AutoFigure：从长文本自动生成高质量科研插图
近期有一篇顶会论文介绍了一个名为 AutoFigure 的 AI 框架，旨在解决科研人员绘制方法图耗时耗力的问题。该框架能够直接从长文本（如论文的方法部分）生成 publication-ready 的科研插图。
科研可视化的挑战与现状
一张高质量的科研插图能让审稿人快速理解核心思想，但绘制过程往往需要数天时间，且要求作者兼具专业知识和设计能力。现有的相关工作存在明显局限：
- T2I 模型（如 DALL-E）：生成的图片美观，但结构保真度差，逻辑对不上。
- 代码生成方法（直接写 TikZ/SVG）：能保证结构，但视觉效果难以达到发表标准。
AutoFigure 瞄准的是更硬核的任务：让 AI 理解整篇论文的方法描述（平均 1 万多 tokens），规划视觉结构并生成完整的概念示意图。
核心架构：先推理后渲染
AutoFigure 将复杂任务拆分为两个相对独立的阶段，这种解耦设计抓住了问题的本质。
阶段一：概念提取和布局规划
首先进行语义解析。给定长文，LLM 提取核心方法论，识别实体和关系，序列化为机器可读的符号布局（如 SVG 或 HTML）。
为了优化布局，系统引入了 critique-and-refine 循环，模拟 AI 设计师与评审的对话：
$$ F_{\text{best}}^{(i)} = \text{Feedback}(\Phi_{\text{critic}}(S_{\text{best}}, A_{\text{best}})) $$ $$ (S_{\text{cand}}^{(i)}, A_{\text{cand}}^{(i)}) = \Phi_{\text{gen}}(T_{\text{method}}, F_{\text{best}}^{(i)}) $$
评审 Agent 从对齐度、平衡性、重叠避免等角度给出反馈，设计 Agent 根据反馈重新解读文本生成新候选布局。若得分更高则替换当前最佳版本。这种迭代搜索机制相当于给 AI 增加了'思考'过程，而非一次性硬怼。
阶段二：美学渲染和文本后处理
拿到结构化布局后，第二阶段负责将骨架变成有血有肉的图。采用 style-guided 方式，先用 LLM 将符号布局转为详细的 text-to-image prompt，配合结构图喂给多模态生成模型。
针对文字渲染易模糊的问题，AutoFigure 采用了 擦除 - 纠正（erase-and-correct） 策略：
- 使用非 LLM 的 eraser 擦掉生成图中的文字像素，得到干净背景。
- 用 OCR 引擎提取原图文字内容和边界框。
- 用多模态 verifier 对照 ground-truth（从 SVG 解析的标准文字）纠正 OCR 结果。
- 最后将纠正后的文字以矢量形式覆盖到干净背景上。
该操作保证了最终图中的文字清晰且准确。
评测与效果分析
论文进行了自动化评测、人类专家评测及消融实验。重点观察人类专家评测结果：团队邀请了 10 位拥有第一作者论文的专家，评价自己论文的 AI 生成图。
- 多维度打分：准确性、清晰度、美观性（1-5 分）。
- 整体排序：对比 6 个 AI 模型 + 原始人工图。
- 出版意愿：哪些图愿意放进 camera-ready 版本。
结果显示，AutoFigure 的 win rate 达到 83.3%，仅次于人工原图的 96.8%。66.7% 的专家愿意使用 AutoFigure 生成的图发表论文。在准确性、清晰度、美观性三个维度，AutoFigure 均显著超过 baseline。
自动化评测方面，AutoFigure 在四个文档类型（Blog、Survey、Textbook、Paper）上均为最高分。其中 Textbook 类别的 Win-Rate 高达 97.5%。
对比 Baseline 表现：
- GPT-Image：美观度尚可，但内容准确性差，Paper 类别 win rate 仅 7%。
- 代码生成方法：结构保真度可，但视觉效果平淡。
- Diagram Agent：各项指标全面崩盘，win rate 为 0%。
关键模块分析
消融实验揭示了几个关键发现：
- 渲染阶段提升明显：Visual Design 和 Overall 得分在渲染后有显著提升，证明 decoupled 的渲染阶段有效提升了视觉吸引力，未损害结构完整性。
- 迭代优化有效：Test-time scaling 实验显示，随着 critique-and-refine 循环次数增加，Overall 得分稳步上升，说明迭代优化确实在寻找更好的布局。
- 模型和格式选择关键：推理模型越强越好；中间格式中 SVG 和 HTML 表现优于 PPT，后者因多次增量插入代码易出现不一致。
数据集 FigureBench
FigureBench 是首个大规模科研插图生成 benchmark，包含 3300 对高质量文本 - 图片数据。构建过程严谨：
- 从 Research-14K 随机抽取 400 篇论文。
- 筛选最能代表核心方法的插图。
- 两个独立标注员审核，Cohen's κ = 0.91。
- 最终得到 200 个高质量样本，扩展出 3000 个开发集样本。
数据集统计显示任务具有挑战性：平均文本长度 10300 tokens，平均文本密度 41.2%，平均 6.2 种颜色、6.4 种形状。
跨领域生成能力
AutoFigure 展示了良好的跨领域适应性：
- 教科书插图：强调教学清晰度，将抽象概念转化为直观视觉结构。
- 技术博客：强调视觉吸引力，清晰标注流程和数据流动。
- 综述类插图：强调结构化呈现，层次化 taxonomy 组织井井有条。
总结
AutoFigure 通过将科研插图生成拆解为'结构推理'和'美学渲染'两个独立阶段，结合迭代优化布局与精确控制文本，实现了既准确又美观的 publication-ready 图片生成。这一工作触及了 AI 科学家的核心瓶颈——视觉表达能力。目前团队已开源代码、数据集及 HuggingFace 空间，项目地址为 https://github.com/ResearAI/AutoFigure。
此外，论文讨论了伦理问题，建议在使用 AutoFigure 生成的图时明确标注来源。总体而言，AutoFigure 标志着科研可视化自动化进程迈出了重要一步。
