PaperBanana : Automatisation de l'Illustration Académique pour les Chercheurs en IA
PaperBanana: Automating Academic Illustration for AI Scientists
January 30, 2026
papers.authors: Dawei Zhu, Rui Meng, Yale Song, Xiyu Wei, Sujian Li, Tomas Pfister, Jinsung Yoon
cs.AI
papers.abstract
Malgré les progrès rapides des scientifiques IA autonomes alimentés par des modèles de langage, la génération d'illustrations prêtes à être publiées reste un goulot d'étranglement laborieux dans le flux de travail de recherche. Pour alléger cette charge, nous présentons PaperBanana, un cadre agentiel pour la génération automatisée d'illustrations académiques publication-prêtes. Propulsé par des modèles de vision et de génération d'images de pointe, PaperBanana orchestre des agents spécialisés pour récupérer des références, planifier le contenu et le style, produire les images et les affiner itérativement via une auto-critique. Pour évaluer rigoureusement notre cadre, nous introduisons PaperBananaBench, comprenant 292 cas tests pour les diagrammes méthodologiques issus de publications de NeurIPS 2025, couvrant divers domaines de recherche et styles d'illustration. Des expériences complètes démontrent que PaperBanana surpasse constamment les meilleurs modèles de référence en termes de fidélité, concision, lisibilité et esthétique. Nous montrons en outre que notre méthode s'étend efficacement à la génération de graphiques statistiques de haute qualité. Collectivement, PaperBanana ouvre la voie à la génération automatisée d'illustrations publication-prêtes.
English
Despite rapid advances in autonomous AI scientists powered by language models, generating publication-ready illustrations remains a labor-intensive bottleneck in the research workflow. To lift this burden, we introduce PaperBanana, an agentic framework for automated generation of publication-ready academic illustrations. Powered by state-of-the-art VLMs and image generation models, PaperBanana orchestrates specialized agents to retrieve references, plan content and style, render images, and iteratively refine via self-critique. To rigorously evaluate our framework, we introduce PaperBananaBench, comprising 292 test cases for methodology diagrams curated from NeurIPS 2025 publications, covering diverse research domains and illustration styles. Comprehensive experiments demonstrate that PaperBanana consistently outperforms leading baselines in faithfulness, conciseness, readability, and aesthetics. We further show that our method effectively extends to the generation of high-quality statistical plots. Collectively, PaperBanana paves the way for the automated generation of publication-ready illustrations.