专业绘图对比

1. 论文图表类型清单

从几千篇论文里提取”表达强”的图，按类型建一个参考库：

1.1 方法结构图 (Architecture)

• 整体系统架构
• 模块关系
• 数据流向

1.2 流程图 (Pipeline)

• 训练流程
• 推理流程
• 数据处理流程

1.3 训练/推理示意图

• 算法步骤可视化
• 时序关系

1.4 主结果表 + 消融图

• 对比实验表格
• 消融研究图表

1.5 失败案例可视化

• 边界情况
• 错误分析

---

2. 工具详细对比

2.1 Mermaid.js

优点:

• 纯文本语法，易于版本控制
• 支持多种图表类型
• GitHub/GitLab 原生支持

缺点:

• 定制能力有限
• 复杂图表难以实现

代码示例:

graph TD
    A(输入数据) --> B(特征提取)
    B --> C{决策}
    C -->|条件1| D(路径1)
    C -->|条件2| E(路径2)
    D --> F(输出)
    E --> F

---

2.2 PlantUML

优点:

• UML 标准化
• 支持时序图、用例图等
• 文本驱动，易于维护

缺点:

• 学习曲线较陡
• 主要针对 UML 场景

---

2.3 D3.js

优点:

• 高度可定制
• 支持复杂交互
• 强大的数据绑定能力

缺点:

• 学习成本高
• 开发时间长

适用场景: 创新性的数据可视化，需要展示论文的独特洞见

---

2.4 draw.io

优点:

• 完全免费
• 支持 Git 集成
• 丰富的图形库

缺点:

• 大型项目性能下降
• 协作功能不如 Figma

---

2.5 Figma

优点:

• 专业级设计工具
• 实时协作
• 强大的组件系统

缺点:

• 需要学习成本
• 免费版有功能限制

适用场景: 高质量插图，特别是需要多人协作时

---

3. 推荐工作流

3.1 阶段1: 快速原型

使用 draw.io 或 Mermaid.js 快速搭建图表框架

3.2 阶段2: 精细化

对于关键图表，使用 Figma 进行精细化设计

3.3 阶段3: 代码生成

对于数据可视化，使用 D3.js 或 Python (matplotlib/plotly)

3.4 阶段4: 整合

使用 PPT 或 Figma 进行最终整合