论文插图也能自动生成了，用到了扩散模型，还被ICLR接收

生成式 AI 已经风靡了人工智能社区，无论是个人还是企业，都开始热衷于创建相关的模态转换应用，比如文生图、文生视频、文生音乐等等。

最近呢，来自 ServiceNow Research、LIVIA 等科研机构的几位研究者尝试基于文本描述生成论文中的图表。为此，他们提出了一种 FigGen 的新方法，相关论文还被 ICLR 2025 收录为了 Tiny Paper。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

图片

论文地址：https://arxiv.org/pdf/2306.00800.pdf

也许有人会问了，生成论文中的图表有什么难的呢？这样做对于科研又有哪些帮助呢？

科研图表生成有助于以简洁易懂的方式传播研究结果，而自动生成图表可以为研究者带来很多优势，比如节省时间和精力，不用花大力气从头开始设计图表。此外设计出具有视觉吸引力且易理解的图表能使更多的人访问论文。

然而生成图表也面临一些挑战，它需要表示框、箭头、文本等离散组件之间的复杂关系。与生成自然图像不同，论文图表中的概念可能有不同的表示形式，需要细粒度的理解，例如生成一个神经网络图会涉及到高方差的不适定问题。

因此，本文研究者在一个论文图表对数据集上训练了一个生成式模型，捕获图表组件与论文中对应文本之间的关系。这就需要处理不同长度和高技术性文本描述、不同图表样式、图像长宽比以及文本渲染字体、大小和方向问题。

在具体实现过程中，研究者受到了最近文本到图像成果的启发，利用扩散模型来生成图表，提出了一种从文本描述生成科研图表的潜在扩散模型 ——FigGen。

这个扩散模型有哪些独到之处呢？我们接着往下看细节。

模型与方法

研究者从头开始训练了一个潜在扩散模型。

首先学习一个图像自动编码器，用来将图像映射为压缩的潜在表示。图像编码器使用 KL 损失和 OCR 感知损失。调节所用的文本编码器在该扩散模型的训练中端到端进行学习。下表 3 为图像自动编码器架构的详细参数。

然后，该扩散模型直接在潜在空间中进行交互，执行数据损坏的前向调度，同时学习利用时间和文本条件去噪 U-Net 来恢复该过程。

至于数据集，研究者使用了 Paper2Fig100k，它由论文中的图表文本对组成，包含了 81,194 个训练样本和 21,259 个验证样本。下图 1 为 Paper2Fig100k 测试集中使用文本描述生成的图表示例。

模型细节

首先是图像编码器。第一阶段，图像自动编码器学习一个从像素空间到压缩潜在表示的映射，使扩散模型训练更快。图像编码器还需要学习将潜在图像映射回像素空间，同时不丢失图表重要细节（如文本渲染质量）。

为此，研究者定义了一个具有瓶颈的卷积编解码器，在因子 f=8 时对图像进行下采样。编码器经过训练可以最小化具有高斯分布的 KL 损失、VGG 感知损失和 OCR 感知损失。

其次是文本编码器。研究者发现通用文本编码器不太适合生成图表任务。因此他们定义了一个在扩散过程中从头开始训练的 Bert transformer，其中使用大小为 512 的嵌入通道，这也是调节 U-Net 的跨注意力层的嵌入大小。研究者还探索了不同设置下（8、32 和 128）的 transformer 层数量的变化。

最后是潜在扩散模型。下表 2 展示了 U-Net 的网络架构。研究者在感知上等效的图像潜在表示中执行扩散过程，其中该图像的输入大小被压缩到了 64x64x4，使扩散模型更快。他们定义了 1,000 个扩散步骤和线性噪声调度。

训练细节

ChatGPT Writer

免费 Chrome 扩展程序，使用 ChatGPT AI 生成电子邮件和消息。

106 查看详情

为了训练图像自动编码器，研究者使用了一个 Adam 优化器，它的有效批大小为 4 个样本、学习率为 4.5e−6，期间使用了 4 个 12GB 的英伟达 V100 显卡。为了实现训练稳定性，他们在 50k 次迭代中 warmup 模型，而不使用判别器。

对于训练潜在扩散模型，研究者也使用 Adam 优化器，它的有效批大小为 32，学习率为 1e−4。在 Paper2Fig100k 数据集上训练该模型时，他们用到了 8 块 80GB 的英伟达 A100 显卡。

实验结果

在生成过程中，研究者采用了具有 200 步的 DDIM 采样器，并且为每个模型生成了 12,000 个样本来计算 FID, IS, KID 以及 OCR-SIM1。稳重使用无分类器指导（CFG）来测试超调节。

下表 1 展示了不同文本编码器的结果。可见，大型文本编码器产生了最好的定性结果，并且可以通过增加 CFG 的规模来改进条件生成。虽然定性样本没有足够的质量来解决问题，但 FigGen 已经掌握了文本和图像之间的关系。

下图 2 展示了调整无分类器指导（CFG）参数时生成的额外 FigGen 样本。研究者观察到增加 CFG 的规模（这在定量上也得到了体现）可以带来图像质量的改善。

图片

下图 3 展示了 FigGen 的更多生成示例。要注意样本之间长度的变化，以及文本描述的技术水平，这会密切影响到模型正确生成可理解图像的难度。

图片

不过研究者也承认，尽管现在这些生成的图表不能为论文作者提供实际帮助，但仍不失为一个有前景的探索方向。

更多研究细节请参阅原论文。

以上就是论文插图也能自动生成了，用到了扩散模型，还被ICLR接收的详细内容，更多请关注其它相关文章！

# 解决问题  # 数据网站建设论文范文  # 怎样优化网站搜索关键词  # 和平区seo优化排名  # 网站seo综合测评  # 邹城市谷歌网站优化  # 佛山营销seo推广公司  # 黄陂seo优化诊断  # seo 培训网站  # seo设计是什么意思  # seo基础帮你火星12服务  # 更快  # ai  # 谁能  # 提出了  # 展示了  # 过程中  # 下表  # 开源  # 自动生成  # 也能  # fig  # 论文 

相关栏目： 【 行业新闻62819 】 【 科技资讯67470 】

相关推荐： OpenAI首席执行官表态支持欧盟AI监管  腾讯TRS之元学习与跨域推荐的工业实战  360发布认知型通用大模型“360智脑4.0” 全面接入360全家桶  Snap宣布研发出新技术 可大幅提升AI生成图像速度  数字彩排、虚拟建厂！这家顶级洗衣机工厂敲开“工业元宇宙”之门  昇腾AI大模型训推一体化解决方案将在WAIC发布  “长沙造”无人机，领先的不止植保  全新升级的广州麦当劳：面积最大餐厅正式引入智慧机器人  洞穴探险神器？可自主导航的单旋翼自旋无人机，效率更高！  科技赋能司法执行 阿里资产免费为全国法院升级VR新服务  618京东3C数码趋势产品备受青睐 AR设备成交额同比增长15倍  小米又拿下国际比赛第一：AI翻译立功  360°/180°双模式，佳能公布可折叠小体积的VR全景相机  大疆 Air 3 无人机售价和实物照片曝光  Adobe旗下Illustrator引入生成式AI工具Firefly  AI大模型产品集体奔赴高考考场，教育赛道的讯飞星火能赢吗？  华为云发布华为云盘古模型3.0和升腾AI云服务，亮点亮相2025华为开发者大会  OpenAI已向中国申请注册“GPT-5”商标，此前已在美国提交申请  物联网“僵尸网络DDos攻击”增长惊人，威胁全球电信网络  携程发布旅游行业垂直大模型 梁建章：AI策略是做可靠的内容 放心的推荐  2025 世界人工智能大会闭幕，32 个重大产业签约总额达 288 亿元  焊接协作机器人或将成为26届埃森展最大看点  Xbox游戏工作室负责人：VR/AR领域的用户规模还不足够  AMD称下半年AI显卡供应充足，不需要像NVIDIA那样加价抢购  脑机接口产业联盟发布十大脑机接口关键技术  LinkedIn 推出生成式 AI 辅助撰写帖文功能，将向所有用户开放  联想首发AI PC于今年秋季，英特尔CEO确认AI PC时代来临  AI工具助力公司实施每周4.5天工作制，带来巨大效益  PS AI修图免费平替来了！Stability AI又放大招，核弹级更新一键扩图  「社交达人」GPT-4！解读表情、揣测心理全都会  美图设计室2.0什么时候上线  微软在德国举办MR研讨会，向女性分享元宇宙潜力  联想浏览器引入小乐 AI 助手，成功接入百度文心一言大模型，经过实测证实  午报 | 字节跳动要造机器人；东方甄选首次启动自有APP|直播|  Nature发AIGC禁令！投稿中视觉内容使用AI的概不接收  AI成政客博弈工具，美国大选真假难辨，律师们的生意来了  日媒关注中国推进鸟类识别 AI 普及，除监测保护外还可预防传染性疾病  Unity发布Sentis和Muse AI工具，助力创作游戏和3D内容  Snow Kylin登陆中国列车，打造全球首条元宇宙专列  丰田汽车研究院推出生成式人工智能汽车设计工具  Meta 推出 Quest 超级分辨率技术，让 VR 画面更清晰  调查：过半数艺术家认为 AI 作图无法帮助他们的工作  华为云盘古大模型3.0发布 AI云服务同时上线：200亿亿次性能  陈根：AI冥想教练为用户提供个性化指导  开创全新虚拟现实体验的Pimax Crystal VR头显  赋能金融新生态，多家银行创新应用成果亮相世界人工智能大会  杀入生成式AI的亚马逊云科技，能否再次生成未来？  “可用”“有用”的讯飞星火认知大模型将亮相世界人工智能大会  映宇宙集团执行总编辑：元宇宙还是要以人为媒介  普林斯顿大学推出Infinigen AI模型 可生成真实自然环境 3D场景