什么是好的科研图？¶

科研图不是简单地“把数据画出来”，而是将实验结果、方法设计和论文观点转化为可视化表达。本文中的“科研图”泛指论文中的各类 figure，包括实验数据图、方法框架图、流程图、模块示意图、可视化案例图和对比展示图等。

科研图的常见类型¶

方法框架图用于展示模型结构、训练流程、模块关系和输入输出逻辑。它的核心目标是帮助读者快速理解方法是如何工作的。

常见问题包括：模块太多、箭头混乱、主流程和辅助模块没有区分、颜色没有语义。

流程图和示意图通常用于解释任务设定、数据处理流程、问题动机或核心思想。它们不一定展示真实实验数据，但需要清楚表达概念关系。

常见问题包括：概念过多、层级不清、图中文字太长、示意元素和论文表述不一致。

实验结果图用于展示定量结果，例如柱状图、折线图、热力图、散点图、箱线图等。它的核心目标是突出实验现象和方法优势。

常见问题包括：只展示数字、不突出结论、坐标轴范围不合理、配色混乱。

消融分析图用于说明不同模块、损失函数、超参数或设计选择的贡献。它需要清楚回答“哪个设计有效，为什么有效”。

常见问题包括：缺少 baseline、变量控制不清、不同设置之间不可比较。

可视化案例图用于展示预测结果、重建结果、注意力图、失败案例或定性比较。它可以增强直观性，但需要避免只挑选“最好看”的样例。

常见问题包括：案例选择不公平、没有说明成功/失败原因、样例过少或排版过挤。

一张图应该服务于一个清晰的论文观点。读者看完后应该知道：这张图想说明什么。

图中的主趋势、关键对比和主要结论应该容易识别。不要让读者在过多颜色、文字、箭头和图例中寻找重点。

同一篇论文中的字体、字号、线宽、颜色、图例、子图编号和排版风格应该尽量一致。

图不能通过不合理的坐标轴范围、选择性展示或夸张配色误导读者。美观不能牺牲准确性。

图在缩小到论文单栏或双栏宽度后仍应清晰可读。对于数据图，代码、数据和输出结果应尽量可复现。

好的科研图不是“更好看”的图，而是能更清楚、更准确、更有说服力地表达论文观点的图。