academic-figure-generation

学術論文向け図の生成

PaperBanana（別名 PaperVizAgent）を使った、学術論文向けのマルチエージェント図生成パイプラインを呼び出す薄い CLI ラッパーです。

このスキルが提供するスクリプトは scripts/generate.py の1つだけです。メソッドのテキストとキャプションを PaperBanana に渡し、候補となる PNG を N 枚書き出します。モデルの選択と API キーは PaperBanana 独自の configs/model_config.yaml から読み込まれます。このラッパーで上書きすることはありません。

初回セットアップ

1. PaperBanana を使いやすい場所にクローンします。

   git clone https://github.com/dwzhu-pku/PaperBanana.git ~/PaperBanana
   cd ~/PaperBanana
   uv venv && uv pip install -r requirements.txt
   

2. configs/model_config.yaml を設定します — 画像モデルと対応する API キーを指定します。よく使われる設定は次の2つです。

   defaults:
     image_model_name: "gemini-3-pro-image-preview"   # or "openai/gpt-5.4-image-2"
     model_name: "gemini-3.1-pro-preview"             # text model for Planner/Stylist/Critic
   
   api_keys:
     google_api_key: "..."        # required for Gemini models
     openrouter_api_key: ""       # required for openai/gpt-5.4-image-2
   

Google AI のキーがあれば Gemini を、OpenRouter のキーがあれば OpenRouter 経由で GPT-Image-2 を使います。どちらかを選んでください。それ以外に設定するものはありません。

ワークフロー

ステップ 1：入力を集める

必要なものは次のとおりです。

1. メソッドのテキスト：アプローチを説明している論文の該当セクション（./method.md または ./method.tex）。
2. 図のキャプション：対象のキャプション。例："Figure 1: Overview of our framework"。

ユーザーの依頼が曖昧な場合は、次の点を尋ねます。

• 図ではメソッドのどの側面に焦点を当てますか？
• スタイルはどうしますか？（ブロック図、フローチャート、パイプライン、アーキテクチャ、比較）
• 投稿先／段組み幅は？（ACL ≤ 7.5"、NeurIPS の1段組み 5.5"）

ステップ 2：生成する

~/PaperBanana/.venv/bin/python scripts/generate.py \
  --paperbanana-root ~/PaperBanana \
  --method-file ./method.md \
  --caption "Figure 1: Overview of our framework" \
  --out-dir ./figures/v1 \
  --candidates 3 \
  --aspect-ratio 16:9

フラグ	デフォルト	備考
--paperbanana-root	(必須)	PaperBanana のチェックアウト先のパス
--method-file	(必須)	メソッドのセクションを記載したテキスト／Markdown ファイル
--caption	(必須)	対象の図のキャプション
--out-dir	(必須)	PNG の出力先
--candidates	3	独立した図の候補数
--max-concurrent	2	同時実行数の上限（クォータに配慮してください）
--exp-mode	demo_full	全パイプライン（Planner+Stylist+Visualizer+Critic）。Stylist を省略するには demo_planner_critic、単一生成には vanilla を使います。
--aspect-ratio	16:9	21:9、16:9、3:2、1:1 のいずれか
--max-critic-rounds	2	批評と修正の反復回数（Critic が「変更不要」と判断した場合は早期終了します）

ステップ 3：提示して反復する

• すべての候補をユーザーに提示します。
• よくある調整項目：配色、レイアウト、ラベルのテキスト、フォントサイズ。
• キャプションを調整するか、候補数を増やして再実行します。

ステップ 4：エクスポートする

• PNG は --out-dir 内に candidate_0.png、candidate_1.png、…として書き出されます。
• 投稿用 PDF を作成するには、magick candidate_0.png candidate_0.pdf を実行します。

スタイルガイドライン

• 色：一貫性のある、色覚多様性に配慮したパレット
• フォント：論文の本文フォントに合わせます（ACL／EMNLP では Times、多くの ML 系投稿先では Helvetica／Arial）
• ラベル：簡潔にし、図の中に完全な文章を入れないでください
• 矢印：データの流れには実線、オプションの経路やフィードバックループには破線を使います
• 余白：詰め込みすぎないでください。査読者は数秒で図に目を通します

よくある図の種類

種類	使用する場面	主な要素
パイプライン／フローチャート	順次処理	ボックスと矢印、左から右または上から下
アーキテクチャ	システムの概要	入れ子のボックス、明確なモジュール境界
比較	変更前／変更後、ベースライン対提案手法	横並びのパネル
アブレーション	各コンポーネントの寄与	棒グラフ、強調表示した行
フレームワーク	概念レベルの概要	抽象的な図形、最小限の詳細

トラブルシューティング

• Gemini で 429 RESOURCE_EXHAUSTED が発生する：Google AI Studio の月間利用上限に達しています。https://ai.studio/spend で上限を引き上げるか、image_model_name を openai/gpt-5.4-image-2 に切り替えて OPENROUTER_API_KEY を設定してください。
• OpenRouter Client not initialized が発生する：環境変数に OPENROUTER_API_KEY がなく、YAML にも openrouter_api_key がありません。
• 出力ディレクトリに PNG がない：out_dir/results.json で候補ごとの生の応答とエラーメッセージを確認してください。
• 処理に時間がかかる（5分超）：所要時間の大半は画像モデルによるものです。--candidates を減らすか、反復を速めるために --exp-mode vanilla を使ってください。

リンク

• PaperBanana リポジトリ：https://github.com/dwzhu-pku/PaperBanana
• PaperVizAgent（同じプロジェクトの Google Research 版）：https://github.com/google-research/papervizagent