페이퍼바나나: 프롬프트에서 출판용 그림까지

디자인 소프트웨어는 건너뛰세요. 페이퍼바나나는 연구 아이디어를 몇 분 만에 깔끔한 논문 그림, 워크플로 다이어그램 및 과학 일러스트레이션으로 전환합니다.

편집 가능

예시:

논문 내용을 직접 붙여넣거나 필요한 그림을 설명하세요

3 Method
Large language models (LLMs) have recently demonstrated remarkable multimodal understanding capabilities when equipped with visual encoders and lightweight projection modules. Existing multimodal training paradigms, however, primarily optimize language modeling objectives, leaving the visual representations weakly constrained during training. Consequently, visual information may be partially discarded as it propagates through the language model layers.

To address this limitation, we propose Reconstructing Visual Tokens via Denoising (ROSS), a training framework that introduces an auxiliary visual reconstruction objective into standard multimodal LLM training. Rather than solely predicting textual outputs, the model is additionally required to preserve sufficient visual information for reconstructing image latent representations under a diffusion objective.

3.1 Visual Token Construction

Given an input image I, we first employ a pretrained SigLIP visual encoder to extract image features. Let f_I = E_siglip(I) denote the output feature sequence. A trainable projector H_phi maps these features into the language model embedding space: v = H_phi(f_I), where v in R^{N x D} represents a sequence of N visual tokens. For textual instructions, we utilize the tokenizer associated with the base language model to obtain text embeddings w in R^{(T-N) x D}. The visual and textual tokens are concatenated to form the final input sequence X = [v; w], which is subsequently processed by a shared LLM. Unlike prior approaches that only supervise textual outputs, ROSS explicitly supervises the visual prefix positions.

3.2 Teacher Latent Representation

To provide dense visual supervision, we introduce a frozen latent-space teacher derived from the KL-16 VAE used in diffusion models. For each image I, the teacher encoder produces clean latent tokens z_0 = E_VAE(I), where z_0 in R^{M x C}. Following the standard diffusion formulation, a timestep t ~ Uniform(1, T_d) is sampled, and Gaussian noise is injected: z_t = sqrt(alpha_bar_t) z_0 + sqrt(1 - alpha_bar_t) epsilon, with epsilon ~ N(0, I). The resulting noisy latent representation serves as the reconstruction target for the denoising branch. Importantly, both the KL-16 encoder and the noise schedule remain frozen during training.

3.3 Shared LLM Processing

The multimodal sequence X = [v; w] is fed into a transformer-based language model. Let h = LLM(X) denote the hidden states. The first N positions h_{1:N} correspond to visual outputs, while the remaining positions h_{N+1:T} correspond to textual outputs. Textual outputs participate in the standard autoregressive language modeling objective. Visual outputs are routed into a dedicated reconstruction branch.

3.4 Visual Reconstruction via Denoising

The key idea of ROSS is to force visual outputs generated by the language model to retain image information. To achieve this, we train a denoiser J_pi that predicts diffusion noise conditioned on noisy latent tokens z_t, diffusion timestep t, and visual hidden states h_{1:N}. Formally, epsilon_hat = J_pi(z_t, t, h_{1:N}). The denoiser is optimized using the standard diffusion objective: L_visual = E[||epsilon - epsilon_hat||^2]. By minimizing this objective, the model learns visual representations that are informative enough to reconstruct original image latents.

3.5 Language Modeling Objective

For text generation, we retain the conventional next-token prediction loss: L_text = -1/(T-N) sum_{i=N+1}^{T} log p(x_i | x_{<i}, v). This objective ensures that language generation performance remains comparable to existing multimodal LLM training pipelines.

3.6 Joint Optimization

The final training objective combines the language modeling loss and the visual reconstruction loss: L_ROSS = L_text + lambda L_visual, where lambda controls the balance between linguistic and visual supervision. In practice, we find that setting lambda = 1 provides stable optimization across multiple model scales.

3.7 Training Configuration

Unless otherwise specified, all experiments use a frozen SigLIP visual encoder, a frozen KL-16 VAE encoder, a decoder-free diffusion denoiser, and a Llama-family language model backbone. Trainable parameters include the projector H_phi, the shared LLM, and the denoiser J_pi, while the visual encoder, teacher tokenizer, and text tokenizer remain frozen.

프롬프트 (4378/15000)

스타일화된 프롬프트

프리셋 프롬프트 (편집 가능)

모델

가로세로 비율

해상도

형식

페이퍼바나나 갤러리

모델 아키텍처, 방법론 워크플로, 평가 패널 및 밀집된 논문 스타일 연구 그림을 위한 프롬프트 예시를 탐색하세요.

ROSS 비주얼 토큰 재구성

프롬프트를 클릭하여 제너레이터에서 사용해 보세요.

JiT 디노이저 샘플링 파이프라인

프롬프트를 클릭하여 제너레이터에서 사용해 보세요.

Neural SDF 및 의료 세그멘테이션

프롬프트를 클릭하여 제너레이터에서 사용해 보세요.

Latent Diffusion U-Net 백본

프롬프트를 클릭하여 제너레이터에서 사용해 보세요.

모델 평가 패널

프롬프트를 클릭하여 제너레이터에서 사용해 보세요.

하이브리드 CNN-Transformer 탐지 네트워크

프롬프트를 클릭하여 제너레이터에서 사용해 보세요.

페이퍼바나나 사용 방법

세 단계로 페이퍼바나나 사용하기

연구를 설명하고, 템플릿을 선택하거나 프롬프트를 작성한 후 다듬으세요. 페이퍼바나나가 레이아웃과 스타일링을 처리하므로 여러분은 내용에 집중할 수 있습니다.

연구 설명하기

주제, 그림 유형, 비주얼 스타일 및 레이블을 작성하세요. 페이퍼바나나 AI가 논문 그림, 실험 워크플로, 개념도 및 강의용 설명 자료를 제작합니다.

템플릿 선택 또는 자유 작성

출판용 템플릿 라이브러리에서 선택하거나 사용자 정의 프롬프트를 작성하세요. 페이퍼바나나가 레이아웃과 구성을 처리합니다.

다듬기, 내보내기 및 사용

프롬프트를 조정하고, 템플릿을 교체하고, 참조를 추가하고 재생성하세요. 원고, 포스터, 슬라이드 및 연구비 제안서용으로 내보내세요.

왜 페이퍼바나나인가

연구자들이 페이퍼바나나를 선택하는 이유

페이퍼바나나는 '아름다운' 이미지를 만드는 것이 아니라 연구를 명확하게 전달하는 그림을 만듭니다. 학술 비주얼에 필요한 것: 구조, 가독성, 깔끔한 스타일링을 이해합니다.

학술 그림 생성

짧거나 상세한 프롬프트로 논문 그림, 과학 그림, 메커니즘 다이어그램, 방법론 워크플로 및 비주얼 초록을 생성하세요.

깔끔한 다이어그램 구조

페이퍼바나나는 화려하지만 혼란스러운 비주얼이 아닌, 레이블된 섹션, 명확한 화살표 및 구조화된 계층을 갖춘 읽기 쉬운 과학 다이어그램을 우선시합니다.

참조 인식 비주얼

스케치, 스크린샷 또는 소스 다이어그램을 업로드하여 구성을 가이드하세요. 페이퍼바나나는 의도를 유지하면서 명확성을 향상시킵니다.

편집 가능한 PPT/XML 변환

논문 그림 이미지를 편집 가능한 PPT 또는 XML로 변환하세요 — SVG 아키텍처 다이어그램을 만드는 데 완벽합니다. 처음부터 다시 그리는 대신 레이블, 레이아웃 및 다이어그램 요소를 조정하세요.

전문 그림 템플릿

방법론 다이어그램, 아키텍처 그림, 개념도 등을 위한 점점 늘어나는 출판용 템플릿 라이브러리에서 선택하세요. 템플릿으로 시작하여 몇 분 만에 커스터마이즈하세요.

발표용 출력

후처리가 필요 없습니다. 논문 제출, 컨퍼런스 발표, 교육 자료 및 연구비 제안서용 그림을 직접 내보내세요.

빠른 반복

아이디어에서 사용 가능한 그림까지 몇 분 만에 완성하세요. 최종 버전을 선택하기 전에 다양한 레이아웃, 스타일 및 디테일 수준을 시도하세요.

페이퍼바나나로 만들기

실제 워크플로를 위한 페이퍼바나나

연구실부터 강의실까지, 팀이 페이퍼바나나를 사용합니다

단순히 예쁜 그림이 아닌 연구를 명확하게 전달하는 그림이 필요할 때, 페이퍼바나나가 적합한 도구입니다.

연구자 및 연구실

디자인 소프트웨어에 얽매이지 않고 출판 그림, 실험 다이어그램 및 메커니즘 비주얼 초안을 작성하세요.

논문용 그림 초안

실험 및 프로토콜 다이어그램

프로젝트 전반의 일관된 비주얼 스타일

연구 그림 만들기

학생 및 교육자

추상적인 개념을 학생들이 한눈에 이해할 수 있는 교육 비주얼로 전환하세요.

강의용 다이어그램

학습 노트를 비주얼로 전환

빠른 개념도 생성

교육 비주얼 만들기

기술 콘텐츠 팀

백서, 기술 문서 및 연구 기반 랜딩 페이지를 위한 일관된 연구 스타일 다이어그램을 만드세요.

백서 비주얼

기술 워크플로 다이어그램

재사용 가능한 콘텐츠 자산

기술 다이어그램 제작

컨퍼런스 및 연구비 작업

리뷰어가 작업을 빠르게 이해할 수 있도록 포스터 그림, 프로젝트 요약 및 제안서 비주얼을 준비하세요.

포스터용 레이아웃

연구비 제안서 그림

연구실 미팅 비주얼

그림 준비하기

저널 및 원고 그림

원고를 위한 제출용 그림 패널, 비교 차트, 워크플로 및 비주얼 초록을 만드세요.

원고 그림 패널

워크플로 및 메커니즘 다이어그램

일관된 레이블과 구성

원고 그림 만들기

사용자 피드백

연구자들이 페이퍼바나나로 더 빠르게 연구를 설명합니다

박사 과정생부터 PI까지, 페이퍼바나나는 복잡한 연구를 검토, 발표 및 출판하기 쉬운 비주얼로 전환하는 데 도움을 줍니다.

페이퍼바나나가 제 거친 방법론 문단을 지도교수가 바로 이해한 다이어그램으로 바꿔주었습니다. 오후 시간을 통째로 절약했어요.

마야 콜린스

박사 과정생

연구실 미팅 비주얼로 페이퍼바나나를 사용합니다. 출력물이 그럴듯한 목업이 아닌 실제 토론에 충분히 깔끔합니다.

이든 브룩스

연구 엔지니어

페이퍼바나나가 제 거친 방법론 문단을 지도교수가 바로 이해한 다이어그램으로 바꿔주었습니다. 오후 시간을 통째로 절약했어요.

마야 콜린스

박사 과정생

연구실 미팅 비주얼로 페이퍼바나나를 사용합니다. 출력물이 그럴듯한 목업이 아닌 실제 토론에 충분히 깔끔합니다.

이든 브룩스

연구 엔지니어

연구비 제안서에서 페이퍼바나나는 메커니즘을 읽기 쉽게 만듭니다 — 리뷰어가 세 문단을 읽기 전에 아이디어를 파악할 수 있어요.

노라 파텔

수석 연구원

페이퍼바나나로 강의 다이어그램을 만들고 레이블을 다듬습니다. 모든 개념도를 처음부터 만드는 것보다 훨씬 빠릅니다.

레오 마르티네즈

대학 강사

연구비 제안서에서 페이퍼바나나는 메커니즘을 읽기 쉽게 만듭니다 — 리뷰어가 세 문단을 읽기 전에 아이디어를 파악할 수 있어요.

노라 파텔

수석 연구원

페이퍼바나나로 강의 다이어그램을 만들고 레이블을 다듬습니다. 모든 개념도를 처음부터 만드는 것보다 훨씬 빠릅니다.

레오 마르티네즈

대학 강사

반복 속도가 가장 좋은 부분입니다. 페이퍼바나나에서 템플릿을 바꾸거나 스타일을 변경하면 몇 초 만에 사용 가능한 대안을 얻을 수 있어요.

그레이스 김

과학 디자이너

페이퍼바나나는 기사, 문서 및 백서 전반에 걸쳐 기술 콘텐츠에 일관된 연구 수준의 비주얼 스타일을 부여합니다.

올리버 스톤

테크니컬 마케터

반복 속도가 가장 좋은 부분입니다. 페이퍼바나나에서 템플릿을 바꾸거나 스타일을 변경하면 몇 초 만에 사용 가능한 대안을 얻을 수 있어요.

그레이스 김

과학 디자이너

페이퍼바나나는 기사, 문서 및 백서 전반에 걸쳐 기술 콘텐츠에 일관된 연구 수준의 비주얼 스타일을 부여합니다.

올리버 스톤

테크니컬 마케터

템플릿 라이브러리는 처음부터 시작하는 시간을 몇 시간이나 절약해 줍니다. 하나 골라서 수정하면 바로 사용할 수 있어요.

에이바 첸

코스 빌더

먼저 깔끔한 비주얼을 생성하고 그 구조를 바탕으로 가르치면 학생들이 복잡한 아이디어를 더 빨리 이해합니다.

노아 윌리엄스

STEM 교육자

템플릿 라이브러리는 처음부터 시작하는 시간을 몇 시간이나 절약해 줍니다. 하나 골라서 수정하면 바로 사용할 수 있어요.

에이바 첸

코스 빌더

먼저 깔끔한 비주얼을 생성하고 그 구조를 바탕으로 가르치면 학생들이 복잡한 아이디어를 더 빨리 이해합니다.

노아 윌리엄스

STEM 교육자

페이퍼바나나 가격

워크플로에 맞는 페이퍼바나나 플랜을 선택하세요. 크레딧으로 시작한 후 개인 프로젝트부터 연구실 생산까지 확장하세요.

한정 혜택45자리만 남았습니다!

🎉 축하합니다! 특별 가격이 활성화되었습니다

최대 50%

혜택 종료까지:

분

초

언제든지 취소 가능

Hobby

$26.9$13.5/월

연간 $162 청구

연간 $160.8 절약

가끔 논문 그림, 강의 자료 비주얼 및 개인 연구 프로젝트용.

7,200

크레딧/년

100 크레딧당 비용

$2.25

상업적 이용 라이선스
페이퍼바나나 이미지 모델
학술 그림 템플릿
PPT/XML 편집 가능 변환
비공개 생성
워터마크 없음
월간 크레딧 갱신
이메일 지원

가장 인기

Basic

$44.9$22.5/월

연간 $270 청구

연간 $268.8 절약

꾸준한 주간 그림 제작, 실험 다이어그램 및 슬라이드 비주얼용.

15,600

크레딧/년

100 크레딧당 비용

$1.73

상업적 이용 라이선스
모든 페이퍼바나나 이미지 모델
모든 그림 템플릿
우선 처리
고해상도 그림 출력
배치 생성
비공개 생성
참조 이미지 워크플로
PPT/XML 편집 가능 변환
월간 크레딧 갱신
우선 지원
고급 모드 액세스

Pro

$89.9$45/월

연간 $540 청구

연간 $538.8 절약

대량 연구 팀, 연구실 및 빈번한 다중 버전 생성용.

42,000

크레딧/년

100 크레딧당 비용

$1.29

상업적 이용 라이선스
모든 페이퍼바나나 이미지 모델
모든 그림 템플릿
가장 빠른 처리 대기열
팀용 크레딧 볼륨
배치 그림 생성
비공개 생성
참조 이미지 워크플로
PPT/XML 편집 가능 변환
API 액세스
우선 지원

런칭 스페셜활성

연간 플랜: 절약 최대 50%

페이퍼바나나로 학술 그림을 제작하는 연구자들과 함께하세요•4.9/5.0 평점

LIVE146+명이 이번 주에 업그레이드

설정 수수료 없음
언제든지 취소 가능

안전한 결제 제공

MastercardVisaAmerican ExpressApple PayGoogle PayJCBDiscover

?페이퍼바나나 주문에 도움이 필요하신가요?

결제 지원

보통 영업일 기준 1일 이내에 답변드립니다

페이퍼바나나에 대한 피드백이 있으신가요? hi@paperbanana.dev로 보내주세요

FAQ

페이퍼바나나 FAQ

학술 그림, 연구 다이어그램 및 과학 비주얼을 위해 페이퍼바나나를 사용하기 전에 알아야 할 모든 것.

페이퍼바나나란 무엇인가요?

페이퍼바나나는 텍스트 프롬프트로 논문 그림, 연구 다이어그램, 과학 일러스트레이션 및 비주얼 초록을 제작하는 AI 학술 드로잉 도구입니다.

누구를 위한 도구인가요?

디자인 소프트웨어에 시간을 쓰지 않고 명확한 학술 비주얼이 필요한 연구자, 학생, 교육자, 연구실 및 기술 팀을 위해 제작되었습니다.

페이퍼바나나로 무엇을 만들 수 있나요?

논문 그림, 개념 다이어그램, 방법론 워크플로, 모델 아키텍처 다이어그램, 실험 프로토콜 비주얼, 과학 일러스트레이션 및 교육용 그래픽.

페이퍼바나나로 저널 제출용 과학 그림을 만들 수 있나요?

네 — 페이퍼바나나는 구조화된 레이아웃, 레이블된 섹션 및 명확한 계층을 갖춘 깔끔한 출판 스타일 그림을 생성합니다. 출력물은 원고, 컨퍼런스 논문 및 저널 제출에 적합합니다. 연구를 설명하고 스타일을 선택하기만 하면 됩니다.

일반 AI 이미지 도구와 어떻게 다른가요?

일반 AI 도구는 아름답지만 종종 불분명한 이미지를 만듭니다. 페이퍼바나나는 학술적 맥락을 위해 제작되어 깔끔한 구조, 읽기 쉬운 주석 및 연구에 적합한 구성을 우선시합니다.

논문 제출에 페이퍼바나나 그림을 사용할 수 있나요?

네. 출력물은 논문 초안, 컨퍼런스 포스터, 연구실 미팅 및 연구비 제안서에 적합합니다. 최종 제출 전에 과학적 정확성을 검토하세요.

페이퍼바나나로 과학 그림을 어떻게 만드나요?

연구 주제를 설명하고, 템플릿을 선택하거나 사용자 정의 프롬프트를 작성하면 페이퍼바나나 AI가 그림을 생성합니다. 스타일 옵션으로 다듬고, 참조를 업로드하거나, 맞을 때까지 재생성할 수 있습니다. 디자인 기술이 필요하지 않습니다.

템플릿이 제공되나요?

네. 페이퍼바나나에는 방법론 다이어그램, 모델 아키텍처 그림, 개념도 등을 다루는 학술 그림 템플릿 라이브러리가 포함되어 있습니다. 템플릿을 선택하여 연구에 맞게 커스터마이즈하세요.

결과를 편집하거나 재생성할 수 있나요?

네. 프롬프트를 다듬고, 템플릿을 교체하고, 참조를 업로드하거나 스타일을 변경하고 그림이 필요에 맞을 때까지 재생성하세요.

가격은 어떻게 작동하나요?

페이퍼바나나는 크레딧 시스템을 사용합니다. 다양한 모델 유형과 해상도에 따라 다른 크레딧이 소비됩니다. 일회성 크레딧 팩은 만료되지 않습니다 — 필요에 따라 구매하세요, 구독이 필수가 아닙니다.

아직 질문이 있으신가요? 도와드리겠습니다.

페이퍼바나나로 만들기 시작하세요

연구 아이디어를 몇 분 만에 깔끔한 학술 그림으로 전환하세요. 디자인 기술도, 처음부터 시작할 필요도 없습니다.

페이퍼바나나 무료 체험