Paper Illustration: 多段階Claude監督図版生成
多段階ワークフロー と Claude（厳格な監督・レビュアー） を活用して、出版品質のイラストを生成します。
コアデザイン哲学
┌──────────────────────────────────────────────────────────────────────────┐
│ 多段階反復ワークフロー │
├──────────────────────────────────────────────────────────────────────────┤
│ │
│ ユーザーリクエスト │
│ │ │
│ ▼ │
│ ┌─────────────┐ │
│ │ Claude │ ◄─── ステップ1: リクエストを解析し、初期プロンプトを作成 │
│ │ (プランナー)│ │
│ └──────┬──────┘ │
│ │ │
│ ▼ │
│ ┌─────────────┐ │
│ │ Gemini │ ◄─── ステップ2: レイアウト記述を最適化 │
│ │ (gemini-3-pro)│ - コンポーネントの配置を洗練 │
│ │ レイアウト │ - スペーシングとグループ化を最適化 │
│ └──────┬──────┘ │
│ │ │
│ ▼ │
│ ┌─────────────┐ │
│ │ Gemini │ ◄─── ステップ3: CVPR/NeurIPSスタイル検証 │
│ │ (gemini-3-pro)│ - カラーパレット準拠をチェック │
│ │ スタイル │ - 矢印とフォント基準を検証 │
│ └──────┬──────┘ │
│ │ │
│ ▼ │
│ ┌─────────────┐ │
│ │ Paperbanana │ ◄─── ステップ4: 最終画像をレンダリング │
│ │ (gemini-3- │ - 高品質画像生成 │
│ │ pro-image) │ - 内部コードネーム: Nano Banana Pro │
│ └──────┬──────┘ │
│ │ │
│ ▼ │
│ ┌─────────────┐ │
│ │ Claude │ ◄─── ステップ5: 厳格な視覚レビュー + スコア (1-10) │
│ │ (レビュアー)│ - すべての矢印の方向を検証 │
│ │ 厳格！ │ - すべてのブロックの内容を検証 │
│ └──────┬──────┘ - 美しさと視覚的な魅力を検証 │
│ │ │
│ ▼ │
│ スコア ≥ 9? ──はい──► 承認して出力 │
│ │ │
│ いいえ │
│ │ │
│ ▼ │
│ 具体的な改善フィードバックを生成 ──► ステップ2にループバック │
│ │
└──────────────────────────────────────────────────────────────────────────┘
定数
- IMAGE_MODEL =
gemini-3-pro-image-preview— Paperbanana (Nano Banana Pro) 画像レンダリング用 - REASONING_MODEL =
gemini-3-pro-preview— Gemini レイアウト最適化とスタイルチェック用 - MAX_ITERATIONS = 5 — 最大改良ラウンド数
- TARGET_SCORE = 9 — 最低許容スコア (1-10) — 品質向上のため引き上げ
- OUTPUT_DIR =
figures/ai_generated/— 出力ディレクトリ - API_KEY_ENV =
GEMINI_API_KEY— 環境変数
オプション: スタイルリファレンス (--style-ref: <source>、オプトイン)
ユーザーは、参照論文に合わせて図の構造的な慣習（キャプションの長さ、パネル数の分布、親論文における図と表の比率）を調整できます。デフォルトはオフ — ユーザーが --style-ref を渡さない場合は、以前と何も変わりません。
$ARGUMENTS に --style-ref: <source> が出現した場合のみ、プロンプト生成の前にヘルパーを最初に実行します:
# 正規の厳格安全チェーンを使用して $STYLE_HELPER を解決します (参照:
# shared-references/integration-contract.md §2)。ポリシー A — ゲート:
# ヘルパーが未解決の場合、--style-ref は満たせないため、中断します。
cd "$(git rev-parse --show-toplevel 2>/dev/null || pwd)" || exit 1
if [ -z "${ARIS_REPO:-}" ] && [ -f .aris/installed-skills.txt ]; then
ARIS_REPO=$(awk -F'\t' '$1=="repo_root"{print $2; exit}' .aris/installed-skills.txt 2>/dev/null) || true
fi
if [ -z "${ARIS_REPO:-}" ] && [ -f "$HOME/.aris/repo" ]; then
ARIS_REPO=$(cat "$HOME/.aris/repo" 2>/dev/null) || true
fi
STYLE_HELPER=".aris/tools/extract_paper_style.py"
[ -f "$STYLE_HELPER" ] || STYLE_HELPER="tools/extract_paper_style.py"
[ -f "$STYLE_HELPER" ] || { [ -n "${ARIS_REPO:-}" ] && STYLE_HELPER="$ARIS_REPO/tools/extract_paper_style.py"; }
[ -f "$STYLE_HELPER" ] || {
echo "ERROR: extract_paper_style.py が .aris/tools/、tools/、$ARIS_REPO/tools/、または ~/.aris/repo 経由で解決できませんでした。" >&2
echo " 修正: bash tools/install_aris.sh または smart_update.sh を再実行（~/.aris/repo を更新）、ARIS_REPO をエクスポートするか、ヘルパーを tools/ にコピーしてください。" >&2
echo " --style-ref を満たせません。中断します。" >&2
exit 1
}
STYLE_STATUS=0
CACHE=$(python3 "$STYLE_HELPER" --source "<source>") || STYLE_STATUS=$?
case "$STYLE_STATUS" in
0) ;; # $CACHE/style_profile.md を構造ガイダンスとして使用
2) echo "警告: style-ref スキップ (オプションの依存関係が不足)" >&2 ;;
3) echo "エラー: --style-ref ソース失敗。イラストレーションを中断します" >&2 ; exit 1 ;;
*) echo "エラー: ヘルパーが予期せず失敗しました。イラストレーションを中断します" >&2 ; exit 1 ;;
esac
受け入れられるソース: ローカル TeX ディレクトリ/ファイル、ローカル PDF、arXiv ID、http(s) URL。Overleaf URL/ID は拒否されます — 最初に /overleaf-sync setup <id> でクローンし、ローカルクローンパスを渡してください。
厳格なルール (完全な契約は tools/extract_paper_style.py の docstring にあります):
style_profile.mdを使用して、キャプションの長さと図の密度を参照論文に合わせます。上記の CVPR/ICLR/NeurIPS の視覚基準が引き続き優先されます —--style-refは長さと密度の傾向のみを調整し、画像コンテンツは変更しません。- キャッシュからアクセス可能なものから、図の内容、カラーパレット、特定のデザイン要素を決してコピーしないでください。視覚デザインはユーザーのプロンプトから来るものであり、参照からではありません。
- 生成された画像をスコアリングするときに、
--style-ref（またはキャッシュの内容）を Claude 視覚チェッカー/Gemini 推論チェッカーのサブエージェントに決して渡さないでください — 画像はそれ自体のメリットで判断されなければなりません。
CVPR/ICLR/NeurIPS トップカンファレンススタイルガイド
「CVPRスタイル」が実際に意味するもの:
視覚基準
- 清潔な白背景 — 装飾パターンやグラデーションはなし（控えめなものは除く）
- サンセリフフォント — Arial、Helvetica、または Computer Modern。最小14pt
- 控えめなカラーパレット — 虹色ではなく、3〜5色の調和のとれた色を使用
- 印刷に適切 — グレースケールでも読めること（多くの査読者は論文を印刷します）
- プロフェッショナルな枠線 — 細い (2-3px)、無地、派手ではない
レイアウト基準
- 水平フロー — 左から右がパイプラインの標準
- 明確なグループ化 — 微妙な背景ボックスを使用して関連モジュールをグループ化
- 一貫したサイズ — 類似コンポーネントは類似したサイズにする
- バランスの取れた余白 — 詰め込みすぎず、まばらすぎず
矢印基準（最重要）
- 太いストローク — 最小4-6px（細い矢印は印刷時に消えます）
- 明確な矢印ヘッド — 大きく、塗りつぶされた三角形のヘッド
- 暗い色 — 黒または濃いグレー (#333333); 色付き矢印を避ける
- ラベル付き — すべての矢印は、何のデータが流れるかを示す必要があります
- 交差なし — 交差を避けるためにレイアウトを再編成
- 正しい方向 — 矢印は正しいターゲットを指している必要があります！
視覚的魅力（科研風格 - Professional Academic Style）
目標： 保守的でも派手でもなく、バランスを見つける
✅ あるべき視覚要素:
- 控えめなグラデーション塗りつぶし — 淡雅なグラデーション塗りつぶし（同色系で明から暗へ）、派手ではない
- 角丸 — 角丸長方形 (6-10px radius)、モダンだが誇張しすぎない
- 明確な視覚的階層 — サイズや色の濃淡で階層を区別
- 一貫した色分け — 統一された配色（3-4の主色）
- 内部構造 — 大きなモジュール内にサブコンポーネントを表示（例: Encoder内部のlayer構造）
- プロフェッショナルなタイポグラフィ — 明確なラベル、適切なフォントサイズの階層
✅ 配色提案（学術専門）:
- Inputs: 柔らかい緑系 (#10B981 / #34D399)
- Encoders: プロフェッショナルな青系 (#2563EB / #3B82F6)
- Fusion: エレガントな紫系 (#7C3AED / #8B5CF6)
- Outputs: 暖かいオレンジ系 (#EA580C / #F97316)
- Arrows: 黒または濃いグレー (#333333 / #1F2937)
- Background: 純白 (#FFFFFF)、模様なし
❌ 避けるべき過度な装飾:
- ❌ 虹色配色 (Rainbow color schemes)
- ❌ 重いドロップシャドウ (Heavy drop shadows)
- ❌ 3D効果 / 遠近法 (3D effects / perspective)
- ❌ 過度なグラデーション (Excessive gradients)
- ❌ クリップアート / 漫画アイコン (Clip art / cartoon icons)
- ❌ 背景の装飾パターン (Decorative patterns in background)
- ❌ 発光効果 (Glowing effects)
- ❌ 多すぎる小さなアイコン (Too many small icons)
✓ 理想的な視覚効果:
- 一目見て専門的で明確
- 適度な視覚的魅力があるが、目立ちすぎない
- CVPR/NeurIPS論文の美的基準に適合
- 印刷に適切（グレースケールでも明確に識別可能）
- 注意深くデザインされた学術図表的であり、PPTテンプレートのようではない
避けるべきこと（重要）
- ❌ 虹色配色（色が多すぎる）
- ❌ 細くてかろうじて見えるような矢印（矢印は太くなければなりません）
- ❌ ラベルのない接続
- ❌ プレーンで退屈な長方形（視覚的な興味を少し加えてください）
- ❌ 影/グロー/アイコンで過度に装飾された（派手すぎる）
- ❌ 印刷時に読めない小さなテキスト
- ❌ 間違った矢印の方向 — これは許容できません！
範囲
| 図の種類 | 品質 | 例 |
|---|---|---|
| アーキテクチャ図 | 優れている | モデルアーキテクチャ、パイプライン、エンコーダ-デコーダ |
| 手法の図 | 優れている | 概念図、アルゴリズムフローチャート |
| 概念図 | 良い | 比較図、分類ツリー |
対象外: 統計プロット (/paper-figure を使用)、フォトリアリスティック画像
ワークフロー: すべてのステップを実行する必要があります
ステップ0: 事前チェック
# APIキーをチェック
if [ -z "$GEMINI_API_KEY" ]; then
echo "エラー: GEMINI_API_KEY が設定されていません"
echo "キーを取得: https://aistudio.google.com/app/apikey"
echo "設定: export GEMINI_API_KEY='your-key'"
exit 1
fi
# 出力ディレクトリを作成
mkdir -p figures/ai_generated
ステップ1: Claudeが図を計画（ここがあなたの役割）
重要: Claudeはまずユーザーのリクエストを解析し、詳細なプロンプトを作成する必要があります。
入力の解析: $ARGUMENTS
Claudeのタスク:
- ユーザーがどのような図を望んでいるかを理解する
- すべてのコンポーネント、接続、データフローを特定する
- Gemini用の詳細で構造化されたプロンプトを作成する
- スタイル要件と視覚的魅力の要件を含める
Claudeが生成するプロンプトテンプレート:
Create a PROFESSIONAL, VISUALLY APPEALING publication-quality academic diagram following CVPR/ICLR/NeurIPS standards.
## Visual Style: 科研風格 (Academic Professional Style)
### Target: Balance — not conservative, not flashy
#### DO (should have):
- **Subtle gradients** — 同色系淡雅渐变 (如 #2563EB → #3B82F6), 不是多色炫彩
- **Rounded corners** — 角丸長方形 (6-10px), 现代感
- **Clear visual hierarchy** — 通过大小、深浅区分层次
- **Internal structure** — 大模块内显示子组件结构
- **Consistent color coding** — 统一的3-4色方案
- **Professional polish** — 精致但不夸张
#### DON'T (should not have):
- ❌ Rainbow/multi-color gradients (彩虹渐变)
- ❌ Heavy drop shadows (重阴影)
- ❌ 3D effects / perspective (3D效果)
- ❌ Glowing effects (发光效果)
- ❌ Excessive decorative icons (过多装饰图标)
- ❌ Plain boring rectangles (完全平淡的方块)
#### Ideal Effect:
Like a carefully designed architecture diagram in a top conference paper — professional, clear, with moderate visual appeal
## Figure Type
[Architecture Diagram / Pipeline / Comparison / etc.]
## Components to Include (BE SPECIFIC ABOUT CONTENT)
1. [Component 1]:
- Label: "[exact text]"
- Sub-label: "[smaller text below]"
- Position: [left/center/right, top/middle/bottom]
- Style: [border color, fill, internal structure]
2. [Component 2]: ...
## Layout
- Direction: [left-to-right / top-to-bottom]
- Spacing: [tight / normal / loose]
- Grouping: [how components should be grouped]
## Connections (BE EXPLICIT ABOUT DIRECTION)
EXACT arrow specifications:
1. [Component A] → [Component B]: Arrow goes FROM A TO B, label it "[data type]"
2. [Component C] → [Component D]: Arrow goes FROM C TO D, label it "[data type]"
...
VERIFY: Each arrow must point to the CORRECT target!
## Style Requirements (CVPR/ICLR/NeurIPS Standard)
### Visual Style
- Color palette: Professional academic colors
- Inputs: Green (#10B981)
- Encoders: Blue (#2563EB)
- Fusion modules: Purple (#7C3AED)
- Outputs: Orange (#EA580C)
- Font: Sans-serif (Arial/Helvetica), minimum 14pt, bold for labels
- Background: Clean white, no patterns
- Blocks: Rounded rectangles (8-12px radius), subtle gradient fill, colored border (2-3px)
- Subtle shadows for depth effect
- Print-friendly (must work in grayscale)
### CRITICAL: Arrow & Data Flow Requirements
1. **ALL arrows must be VERY THICK** - minimum 5-6px stroke width
2. **ALL arrows must have CLEAR arrowheads** - large, visible triangular heads
3. **ALL arrows must be BLACK or DARK GRAY** - not colored
4. **Label EVERY arrow** with what data flows through it
5. **VERIFY arrow direction** - each arrow MUST point to the correct target
6. **No ambiguous connections** - every arrow should have a clear source and destination
### Logic Clarity Requirements
1. **Data flow must be immediately obvious** - viewer should understand the pipeline
...