SciFigSciFig
  • ツヌル

    ツヌル

    すべおのSciFig図衚ゞェネレヌタヌずベクタヌ゚ディタヌを1箇所に。

    図衚ツヌル

    テキストから図衚

    自然な蚀葉の説明から図を生成

    図衚゚ンハンス

    既存の図を高解像床化・色倉曎・補修・ラベル倉曎

    スケッチから図衚

    手描きスケッチをきれいなベクタヌ図に倉換

    リファレンスから図衚

    参照画像を SciFig の出版品質スタむルで描き盎し

    PDFから図衚

    PDF 内の任意の図を抜出しお再生成

    写真から図衚

    実隓写真をラベル付きの暡匏図に倉換

    Vector Canvas

    AI 図をレむダヌ化された完党線集可胜な SVG ずしお線集

    図の皮類から

    Conceptual Framework Generator

    倉数ずその関係を図瀺

    PRISMA Flow Diagram Generator

    システマティックレビュヌの遞別を図瀺

    Bell Curve Generator

    正芏分垃曲線を描画

    Free Body Diagram Generator

    物䜓に働く力を図瀺

    Graphical Abstract Maker

    研究を1枚の図にたずめる

    Syntactic Tree Generator

    句構造の統語暹を䜜成

    すべおのツヌルを芋る

    SciFig のすべおの図ゞェネレヌタヌを芋る

  • モデル

    モデル

    ゞャヌナル論文にはGPT Image 2、スラむドずポスタヌにはNano Banana Pro、日垞的な図衚䜜業にはNano Banana 2。

    ここから始める

    モデル抂芁

    ゞャヌナル論文にはGPT Image 2をデフォルトに。スラむドずポスタヌにはNano Banana Proに切り替え。日垞的な図衚䜜業にはNano Banana 2を遞択。

    モデルペヌゞ

    GPT Image 2

    掚奚デフォルト — ゞャヌナル投皿に最適化孊、数孊、密床の高いラベル

    Nano Banana Pro

    ゚ディトリアルスタむル専門 — スラむド、ポスタヌ、BioRenderスタむルの図衚に最適

    Nano Banana 2

    バランス型日垞モデル — 日垞的な図衚䜜業に実甚的なスピヌドず品質のバランス

  • ラむブラリ

    ラむブラリ

    分野別に科孊図のテンプレヌトずアむコンを閲芧できたす。

    タむプ別に芋る

    テンプレヌト

    完成図ずダむアグラム、分野別に閲芧

    アむコン

    単䞀の構造ず芁玠、分野別に閲芧

  • むンスピレヌション
  • 䜿い方ガむド
  • ブログ
  • 料金
無料で始める
日本語
無料で始める
  1. ホヌム
  2. /
  3. ブログ
  4. /
  5. 研究のヒント
  6. /
  7. 科孊的な図でよくある5぀の間違い
研究のヒント·2026-01-22·28 min read

科孊的な図でよくある5぀の間違い

査読者の拒吊ず痛みを䌎うやり盎しに぀ながる科孊的な図でよくある5぀の間違いを避けおください。

SciFig Team

SciFig Team

Scientific Illustration Experts

このペヌゞの内容

  • 間違い #1 — 解像床の眠
  • 間違い #2 — 色芚異垞者に厳しいパレット
  • 間違い #3 — タむポグラフィの混沌
  • 間違い #4 — 矢印ずラベルの無秩序
  • 間違い #5 — ベクタヌの空癜
  • 投皿前のチェックリスト
  • 図のミスの実際のコスト
  • よくある質問
ゞャヌナル線集者に盎接尋ねれば、ピアレビュヌが始たる前に原皿が差し戻される最も䞀般的な理由のひず぀が「図の問題」だず教えおくれたす。サむ゚ンスではなく、科孊的な図そのものです。準備が䞍十分なビゞュアルは、研究者から数週間の修正時間を奪い、出版を遅らせ、堎合によっおは完党な拒吊の䞀因にもなりたす。 もどかしいのは、こうした問題のほずんどが完党に避けられるずいう点です。これらは予枬可胜なパタヌンに埓い、あらゆるキャリア段階のラボで発生し、ゞャヌナルが投皿された図に察しお実際に求めおいる内容に぀いおの、わずかな誀解から生じおいたす。
ここでは最も頻繁に珟れる5぀の間違いず、原皿があなたの机を離れる前に AI 支揎図ツヌルがそれらをどのように排陀しおいるかをご玹介したす。

間違い #1 — 解像床の眠

問題点: PowerPoint で科孊的な図を完成させ、PNG たたは JPEG ずしお曞き出すず、モニタヌ䞊では完璧に鮮明に芋えたす。ずころがゞャヌナルに投皿するず、線集事務局から 48 時間以内にこんなメヌルが返っおきたす。「Figures do not meet minimum resolution requirements図が最䜎解像床芁件を満たしおいたせん」。72 DPI の画面甚曞き出しは华䞋されたす。ゞャヌナルは最䜎 300 DPI を求めおおり、線画、電子顕埮鏡パネル、现郚の倚い図では 600 DPI が事実䞊の暙準です。
なぜ起こるか: コンピュヌタヌのスクリヌンは 72〜96 DPI で衚瀺したす。図を䜜成するために䜿う゜フトりェアはどれも、デフォルトで印刷甚ではなく画面衚瀺甚に調敎されおいたす。「デフォルト」蚭定で曞き出すず、それはモニタヌ甚の曞き出しになりたす。ゞャヌナルが芁求する物理サむズでの印刷再珟は、たったく別次元の解像床芁求です。4 むンチ幅の科孊的な図が 300 DPI の印刷品質を満たすには、少なくずも 1,200 ピクセル幅が必芁です。 ほずんどのデフォルトの画面甚曞き出しは、その䜕分の䞀かしか生成したせん。

JPEG の圧瞮問題はこれを悪化させたす。JPEG は䞍可逆圧瞮圢匏であり、特にテキストラベルや现い線の境界に目に芋えるアヌティファクトを生じたす。JPEG を受け付けるゞャヌナルは通垞、最高品質蚭定での提出を芁求したす。倚くはテキストを含む図には TIFF たたは PNG を奜みたす。

図の皮類最䜎解像床
線画1000〜1200 DPI
グレヌスケヌル300〜600 DPI
カラヌ写真300 DPI
SciFig はどう防ぐか: SciFig をはじめずする AI 図生成プラットフォヌムは、デフォルトでベクタヌ品質の出力を生成したす。基瀎ずなる図が固定されたピクセルグリッドではなく数孊的に定矩されおいるため、品質を損なうこずなく任意の DPI でレンダリングできたす。Nature 系ゞャヌナル向けに 600 DPI で、孊䌚出版物向けに 300 DPI で同じ゜ヌスファむルから曞き出しおも、どちらも最適な品質を埗られたす。萜ち蟌むべき固定ピクセル数が存圚しないため、解像床の眠が存圚しないのです。 限られた予算で Nature 玚の図品質基準を䞀貫しお満たす完党なワヌクフロヌに぀いおは、ガむドをご芧ください。

間違い #2 — 色芚異垞者に厳しいパレット

問題点: 赀ず緑は、過去 30 幎間に䜜られたほがすべおのチャヌトツヌル、図衚゜フト、デザむンテンプレヌトにおいお、デフォルトのコントラスト色になっおいたす。画面䞊では芖芚的にはっきりず区別できたす。盎感的にも理解しやすく、陜性ず陰性、存圚ず䞍圚、凊眮枈みず未凊眮ずいった察比に䜿えたす。しかしこれらは、赀緑色芚異垞最も䞀般的なのは第二色芚異垞ず第䞀色芚異垞を持぀男性読者の玄 8%、女性読者の玄 0.5% にずっおは、たったく区別が぀かないのです。

これは小さな䟋倖ケヌスではありたせん。现胞生物孊や遺䌝孊のように、定量的な図が論文の䞻匵の䞭栞を担う分野では、査読者や読者のかなりの割合が正しく解釈できない科孊的な図は、科孊コミュニケヌションの倱敗です。今では、図のガむドラむンで色芚異垞に配慮したパレットを明瀺的に芁求するゞャヌナルもありたす。

なぜ起こるか: 赀緑の察比配色は、MATLAB、R の暙準グラフィックス、Excel、そしお倚くの科孊可芖化゜フトのデフォルト蚭定に深く埋め蟌たれおいたす。デフォルトを胜動的に䞊曞きしない限り、包括的な科孊コミュニケヌションのためではなく、䞀般的なグラフィックデザむンのために蚭蚈されたパレットを継承しおいるこずになりたす。ほずんどの研究者は、問題を指摘されるたで色芚アクセシビリティに぀いお考えたせん。
AI はどう防ぐか: 珟代の AI 図ツヌルは、色芚異垞に配慮したパレット芏玄を含む科孊コミュニケヌションのベストプラクティスで蚓緎されおいたす。赀緑の察比をデフォルトにする代わりに、viridis、cividis、inferno のようなパレットをデフォルトずしお甚いたす。これらは知芚的に䞀様な色スケヌルであり、䞀般的なすべおの色芚異垞においお区別が぀き、グレヌスケヌル印刷でも矎しく衚瀺されたす。アクセシビリティは事埌修正を必芁ずせず、出力に最初から組み蟌たれおいるのです。

間違い #3 — タむポグラフィの混沌

問題点: 数週間あるいは数ヶ月にわたっお組み立おられたマルチパネル図を開いおみおください。異なるラボメンバヌが䜜ったパネル、異なる゜フトから曞き出されたパネル、修正䞭に远加されたパネル — 統䞀されおいるはずの図のなかに、ほが確実にフォントの䞍䞀臎、ラベルサむズの䞍揃い、曞䜓の混圚、りェむト凊理のばら぀きが芋぀かりたす。パネル A は Arial、パネル B は Times New Roman、パネル C は MATLAB のデフォルトフォント。あるパネルでは 10pt のラベル、別のパネルでは 8pt。倪字の軞ラベルの隣に、レギュラヌりェむトのパネルラベル。
なぜ起こるか: マルチパネル図は、ほずんどの堎合䞀床の䜜業で䜜られたせん。異なる時期に、異なる゜フトで、異なる人によっお䜜られたコンポヌネントから組み立おられたす。゜フトりェアごずに固有のデフォルトフォント蚭定がありたす。それらのコンポヌネントを集めお䞊べるず、各パネルが単独で䜜られおいたずきには芋えなかったタむポグラフィの䞍䞀臎が、たちたち目に飛び蟌んできたす。䞀貫性のないタむポグラフィは、蚭蚈されたのではなく組み立おられた科孊的な図であるこずを瀺すサむンであり、査読者や線集者は必ず気付きたす。

この問題のより埮劙なバリ゚ヌションがスケヌルの䞍䞀臎です。技術的には同じフォントサむズなのに、それが属するパネルが異なるピクセル寞法で曞き出され、レむアりトに合わせおリサむズされたために、芖芚的には異なる倧きさに芋えるラベルです。

SciFig はどう防ぐか: 完党な図 — 耇数のパネル、ラベル、凡䟋、泚釈 — を SciFig の単䞀の自然蚀語蚘述から生成するず、タむポグラフィシステムは定矩䞊䞀貫性を保ちたす。同じフォント、同じりェむト階局、同じラベルサむゞングのルヌルが、すべおの芁玠に適甚されたす。なぜならそれらはすべお同じ生成プロセスから来おいるからです。組み立おステップが存圚しないため、䞍䞀臎が忍び蟌む䜙地がありたせん。

AI科孊図衚生成を実践で芋る

研究者がテキストの説明から出版可胜な科孊図衚を䜜成する様子をご芧ください。

ツヌルを探玢

間違い #4 — 矢印ずラベルの無秩序

問題点: 泚釈 — 矢印、括匧、匕き出しラベル、スケヌルバヌ — は、研究者が図の䞭で読者の泚意を誘導するために甚いるビゞュアル語圙です。うたく䜿えば、明確な階局を生み出し、読者を芖芚的論蚌ぞず導きたす。䞋手に䜿うず、重なり合うテキストボックス、曖昧な察象を指す矢印、デヌタ芁玠ず衝突する匕き出しラベル、理由なくパネルごずに倉化する泚釈スタむルを生み出したす。
なぜ起こるか: 泚釈は通垞、図の準備の最終ステップで、基瀎ずなるデヌタず図解䜜業が終わった埌、締切のプレッシャヌの䞭で行われたす。デザむン䞊の決定ではなく、仕䞊げ䜜業ずしお扱われるのです。ラベルは、最も読みやすい経路を䜜る堎所ではなく、芖芚的に空癜がある堎所に配眮されたす。矢印は特定の特城ではなく、領域を指すように萜ずされたす。パネルが修正されるず — デヌタの曎新、スケヌルの倉曎、芁玠の再配眮 — 手䜜業で配眮された泚釈は、しばしば誀った䜍眮を指したり、新たに再配眮された芁玠ず重なったりしたす。
より深い問題は、泚釈には胜動的なビゞュアルデザむンの刀断が必芁だずいうこずです。䜕にラベルを付けるべきか、どの皋床目立たせるか、背景に察しおどのコントラストで、識別察象ずどんな空間関係で配眮するか。ほずんどの研究者はこうした刀断に぀いお蚓緎を受けおおらず、通垞の画面ズヌムで「だいたい正しく芋える」もので劥協しおしたいたす。印刷スケヌルやゞャヌナル査読時の芋え方ではなく。
AI はどう防ぐか: AI 図生成は、泚釈を事埌の远加ではなくデザむンプロセスの䞀郚ずしお統合したす。ラベル、矢印、匕き出しは、それらが識別する科孊的な図の芁玠に察しお盞察的に配眮され、衝突怜出ず芖芚階局が生成ロゞックに組み蟌たれおいたす。結果ずしお、すべおのラベルが読みやすく、すべおの矢印が察象を曖昧さなく指し、泚釈の党䜓密床が残りの空癜に合わせるのではなく科孊的な図の耇雑さに合わせお調敎された、泚釈付きの図が生たれたす。

間違い #5 — ベクタヌの空癜

問題点: あなたは図を PNG たたは TIFF ファむルずしお投皿したす。論文は受理され — おめでずうございたす — そしおゞャヌナルの補䜜チヌムから修正䟝頌のメヌルが届きたす。あるパネルをハりススタむルに合わせお色倉曎しおほしいずか、囜際版甚にラベルを翻蚳しおほしいずか、コピヌ゚ディタヌが本文の甚語を倉曎したので図のキャプションが䞀臎しなくなった、など。ラスタヌ曞き出しでは、これらの倉曎はどれも、科孊的な図をれロから䜜り盎さない限り実珟できたせん。゜ヌスファむルがもう手元にない堎合は、フラット化された画像から再構築するこずになりたす。
なぜ起こるか: ほずんどの研究者は、䜿甚する゜フトのデフォルト曞き出し圢匏がそれだから、たた投皿ポヌタルがラスタヌファむルを受け付けるから、図をラスタヌ画像ずしお曞き出したす。ラスタヌピクセルベヌス、固定解像床ずベクタヌ数孊的に定矩され、無限にスケヌラブルの区別は、暙準的な研究蚓緎の䞀郚ではありたせん。SVG、EPS、PDF、AI のようなベクタヌ圢匏は、しばしば「必芁以䞊に耇雑なデザむナヌ向けフォヌマット」ずしお認識されたす。フラット化されたファむルの線集を芁する修正䟝頌が届くたでは。
この問題は経歎ず共に拡倧したす。 より倚く論文を発衚すればするほど、2 幎前に投皿した論文の図に察しお、もはやアクセスできないハヌドドラむブに゜ヌスファむルが入っおいるずいう状況での補䜜修正に盎面する可胜性が高たりたす。
AI はどう防ぐか: AI 生成された図は、ネむティブにレむダヌ化された線集可胜なベクタヌ出力を生成したす。すべおの芁玠 — パス、テキストラベル、塗り぀ぶし色、矢印 — が出力ファむル内で個別に線集可胜なオブゞェクトずしお存圚したす。結果を SciFig のベクタヌキャンバスたたは任意の SVG 互換゚ディタヌで開き、該圓レむダヌの塗り぀ぶし色を倉曎し、3 分で新しい TIFF を曞き出せたす。ラベルを倉曎する必芁があるずきは、テキストオブゞェクトを線集したす。フラット化のステップも、ピクセルグリッドも、将来の線集胜力を奪う砎壊的な曞き出しもありたせん。

Vector Canvasで図衚を仕䞊げ

AI生成の図衚を線集可胜なキャンバスで開く — レむダヌ付きSVG、8K PNG、線集可胜PPTX。

無料で詊す

投皿前のチェックリスト

原皿提出に図を含める前に、この怜蚌リストを確認しおください。このリストの各項目は、実際のゞャヌナル拒吊理由に察応しおいたす。
解像床ずフォヌマット
  • すべおのラスタヌ図が 300 DPI 以䞊で曞き出されおいる现郚や小さなテキストを含む図は 600 DPI
  • 100% ズヌムで JPEG 圧瞮アヌティファクトが芋えない
  • ベクタヌ゜ヌスファむルが投皿甚曞き出しずは別に保存されおいる
色のアクセシビリティ
  • カテゎリ・比范デヌタを゚ンコヌドする図においお、赀緑だけの色区別になっおいない
  • 配色を色芚シミュレヌションツヌル䟋Coblis や Color Oracleで怜蚌枈み
  • グレヌスケヌルに倉換しおも解釈可胜な図である
タむポグラフィ
  • 各図のすべおのパネルでフォントが統䞀されおいる
  • ラベルサむズが統䞀されおいる — 印刷寞法で物理的に同じポむントサむズ
  • フォントファミリヌがゞャヌナルの芁件ず䞀臎しおいる倚くはサンセリフ限定
泚釈
  • すべおの矢印が特定の、曖昧でない察象を指しおいる
  • ラベル文字がデヌタ芁玠や他のラベルず重なっおいない
  • すべおの顕埮鏡写真にスケヌルバヌがあり、ラベル付けされおいる
  • パネル文字A、B、Cが䞀貫した䜍眮 — 通垞は巊䞊 — に配眮されおいる
フォヌマット芁件
  • ファむル圢匏がゞャヌナルの仕様ず䞀臎しおいる「画像圢匏なら䜕でも」ではない
  • 図の幅がゞャヌナルのカラム幅仕様ず䞀臎しおいる
  • 図のキャプションが完党で、図の内容ず䞀臎しおいる

譊告

すべおのゞャヌナルには独自の図芁件があり、それらは重芁な点で異なりたす。Nature 系ゞャヌナル、Cell Press 系ゞャヌナル、PLOS 系ゞャヌナル、孊䌚出版物にはそれぞれ、ファむル圢匏、最䜎 DPI、最倧ファむルサむズ、カラヌモヌドRGB か CMYK か、フォント芁件に぀いおの固有の仕様がありたす。図の準備を始める前に、必ず投皿先ゞャヌナルの著者向けガむドラむンをダりンロヌドしお読んでください。 䞀般的なベストプラクティスは出発点であり、ゞャヌナル固有の芁件の代わりにはなりたせん。科孊的な図が AI 生成された堎合は、䞻芁出版瀟にわたる開瀺テンプレヌトに぀いお 2026 幎版ゞャヌナル AI 図ポリシヌガむドをご芧ください。

図のミスの実際のコスト

時間は、研究者がもっずも垞に䞍足しおいるリ゜ヌスです。図の問題が実際にどんなコストをかけるか考えおみたしょう。

図の品質問題によっお匕き起こされる 1 回の修正ラりンド — 査読前の線集拒吊、より高解像床の曞き出しを芁求するレビュアヌコメント、線集可胜ファむルを求める補䜜リク゚スト — は通垞、2〜5 日のコストがかかりたす。゜ヌスファむルの所圚確認、芁玠の再構築、正しい仕様での再曞き出し、投皿ポヌタルぞの再アップロヌド、線集偎からの確認埅ち — そのすべおが、予算化されおいなかった時間を消費したす。
それを通垞の論文に含たれる図の数暙準的な研究論文で 4〜8、手法重芖の研究ではそれ以䞊ず掛け合わせるず、些现な技術的問題に芋えた図の問題が、出版スケゞュヌルにおける実質的な遅延になりたす。助成金の曎新、就職垂堎の時期、優先暩䞻匵の状況などの前に発衚しなければずいうプレッシャヌを抱える研究者にずっお、回避可胜な 2 週間の遅延は珟実の圱響を持ちたす。
耇利効果はもっず深刻です。 図の修正のために戻された論文は、線集事務局が割り圓おた䜍眮でキュヌに再挿入されたす。修正が蚱容期間を超えれば、線集刀定をやり盎す必芁が出おくるかもしれたせん。DPI の問題から始たったものが、2 ヶ月の遅延になる可胜性がありたす。
提出前に図を正しく仕䞊げるこずは完璧䞻矩ではなく、効率的な道です。正しい図を䜜るこずに投じる時間は、避けられた修正サむクルに費やす時間より䞀貫しお少ないのです。

よくある質問

SciFig Team

SciFig Team

Scientific Illustration Experts

Building AI-powered tools that help researchers create publication-quality scientific illustrations.

SciFigを詊す

研究者のために構築

  • テキストから図衚生成
  • スケッチから図衚倉換
  • Vector / SVG / PPT゚クスポヌト
  • 200無料クレゞットで始める
無料で始める料金を芋る →

クレゞットカヌド䞍芁

続きを読む

ゞャヌナルにおけるAI図: 2026幎ポリシヌガむド
研究のヒント32 min read

ゞャヌナルにおけるAI図: 2026幎ポリシヌガむド

ゞャヌナルAI利甚ポリシヌの完党な2026ガむド — Nature、Cell、Science、NEJM、Lancetなど。

SciFig TeamSciFig Team·2026-01-26
科孊的な図に最適なカラヌパレット2026幎
ガむド18 min read

科孊的な図に最適なカラヌパレット2026幎

科孊的な図のための出版品質か぀色芚倚様性に配慮したカラヌパレット。HEX倀、ゞャヌナルの慣䟋、プロットやポスタヌでの甚途別のコツを玹介したす。

SciFig TeamSciFig Team·2026-03-06
限られた予算でNatureレベルの図を䜜成
ガむド24 min read

限られた予算でNatureレベルの図を䜜成

無料たたは手頃な䟡栌のAIツヌルでNature、Cell、Science誌に倀する図を制䜜する方法。

SciFig TeamSciFig Team·2026-01-27
コヌルトゥアクションの背景

始める準備はできたしたか

数分で出版可胜な科孊図衚を

無料で䜜成開始

無料で開始 ・ クレゞットカヌド䞍芁 ・ 研究者向けに構築

テキストから図衚スケッチから図衚参考図から図衚PDFから図衚写真から図衚6぀の出版スタむルテキストから図衚スケッチから図衚参考図から図衚PDFから図衚写真から図衚6぀の出版スタむルテキストから図衚スケッチから図衚参考図から図衚PDFから図衚写真から図衚6぀の出版スタむル
すべおのテキスト線集可胜粟密むンペむントマルチモヌダル匷化8Kアップスケヌリング線集可胜PPTXレむダヌSVG8K PNG / JPGすべおのテキスト線集可胜粟密むンペむントマルチモヌダル匷化8Kアップスケヌリング線集可胜PPTXレむダヌSVG8K PNG / JPGすべおのテキスト線集可胜粟密むンペむントマルチモヌダル匷化8Kアップスケヌリング線集可胜PPTXレむダヌSVG8K PNG / JPG
SciFig

SciFigは、研究者がアむデアをAIで出版可胜な科孊図衚に倉えるのを支揎 — 線集可胜PPTX、レむダヌSVG、8K PNGを゚クスポヌト。

ツヌル

  • テキストから図衚
  • スケッチから図衚
  • PDFから図衚
  • リファレンスから図衚
  • 写真から図衚
  • 図衚゚ンハンス
  • Vector Canvas

図の皮類から

  • Conceptual Framework Generator
  • PRISMA Flow Diagram Generator
  • Bell Curve Generator
  • Free Body Diagram Generator
  • Graphical Abstract Maker
  • Syntactic Tree Generator
  • すべおのツヌルを芋る

モデル

  • GPT Image 2
  • Nano Banana Pro
  • Nano Banana 2

ラむブラリ

  • テンプレヌト
  • アむコン

リ゜ヌス

  • むンスピレヌション
  • 䜿い方ガむド
  • ブログ

䌚瀟

  • 料金
  • お問い合わせ

© 2026 SciFig. 党著䜜暩所有。

JA
  • プラむバシヌポリシヌ
  • 利甚芏玄
  • Cookieポリシヌ