論文用のニューラルネットワーク構造図を描く方法は大きく3通りあります。NN-SVG（ブラウザ完結・無料・標準的なCNNや全結合層向き）、PlotNeuralNet（LaTeXコード・再現性が高い・学習コスト大）、そして draw.io / PowerPoint（手作業で作図・最も自由度が高い）です。学習済みモデルの実構造を確認したいときは Netron が便利ですが、論文図の作成ツールではありません。多分岐・Attentionモジュール・マルチモーダルなど非標準の構造を文章から素早く図にして編集したい場合は、SciDraw AI（sci-draw.com）で下書きを生成し、SVGとして書き出す方法が効率的です。
査読者は手法セクションを開くとき、数式より先にまずモデル構造図に目を通します。ツール選びを誤ると、アブレーションで構造が変わるたびに手動ツールで残差接続の矢印を1日中引き直すか、モデルビューアが出力した細長い演算グラフを2段組に無理やり押し込んで文字が潰れるかのどちらかになりがちです。以下では代表的な6ツールを横並びで比較し、モデル種別ごとの選び方を整理します。
3つのアプローチと6ツール比較
深層学習のアーキテクチャ図作成は、実質的に パラメトリックなWebテンプレート、LaTeXコード描画、手動ブロック作図、テキストから下書きを作るAIツール（および比較記事で混同されやすい モデルファイルビューア のNetron）の役割分担になっています。
| ツール | 向いている人 | カスタムモジュール描画 | 習得難度 | 価格 | 日本語UI | 書き出し形式 | 弱点・制約 |
|---|---|---|---|---|---|---|---|
| NN-SVG | 教科書的なMLPや分岐のない標準CNNを手早く描きたい学生・教員 | 不可（FCNN・LeNet・AlexNetの3様式に固定） | 極低（スライダー操作のみ） | 無料・オープンソース | なし（英語項目はごくわずか） | SVG | Skip接続・Attention・多分岐は描けない。ブラウザ上で任意の注釈テキストを入れにくい |
| PlotNeuralNet | LaTeXに慣れており、立体的な3D畳み込みブロックをコード管理したい研究者 | 限定的（畳み込み・プーリング・Skip接続は内蔵。独自構造はTikZ直書き） | 高（TeX環境構築と座標調整が必要） | 無料・オープンソース | なし（日本語ラベルはXeLaTeX等の設定が必要） | PDF（ベクター） | 間隔調整のたびに再コンパイルが必要。Transformerや複雑な分岐は手作業より時間がかかる |
| Netron | 出力済みモデルファイルの層接続やテンソル形状を検算したいエンジニア | 対象外（モデルファイルから演算子を自動描画するビューア） | 極低（ファイルをドロップするだけ） | 無料・オープンソース | なし（英語UI・演算子名表示） | PNG、SVG | 演算子レベルの計算グラフになるため粒度が細かすぎ、論文の手法図にそのまま載せにくい |
| draw.io | 予算ゼロでレイアウトを細部まで手動制御したい多くの論文執筆者 | 可能（矩形・グループ枠・折れ線矢印・数式組版を自由に組み合わせ） | 低〜中 | 無料・オープンソース | あり | SVG、PDF、PNG、.drawio | 白紙からの整列に時間がかかる。モデル構造を大きく変えると配線の引き直しが発生する |
| PowerPoint | ゼミ発表スライドと論文図の元ファイルを共有したい学生・共同研究者 | 可能（図形・テキストボックス・3D回転ブロックを自由に配置） | 極低 | 有料サブスクリプション（大学ライセンスがある場合が多い） | あり | PDF、SVG、PNG、TIFF、PPTX | 入れ子ブロックを動かすと矢印がずれやすい。添字付き数式の組版は専用ツールに劣る |
| SciDraw AI | 独自モジュールや分岐構造を文章で記述し、編集可能な初稿を短時間で得たい著者 | 可能（多分岐・Skip接続・マルチモーダル融合を自然言語で指定） | 低 | 登録時に無料クレジット付与。有料は年払い$10/月〜、月払い$20/月〜 | あり | PNG、編集可能SVG、編集可能PPTX | コードのようにハイパーパラメータから自動再現はできない。テンソル寸法や残差矢印の終点は人手での検算が必須 |
1. パラメトリックWebツールとモデルビューア（NN-SVG・Netron）
NN-SVG はブラウザを開くだけで使え、FCNN（全結合ノード接続）、LeNet（2D特徴マップ）、AlexNet（3D直方体）の3スタイルから選び、層数やチャネル厚をスライダーで調整して1分以内にベクターSVGを保存できます。講義資料や背景説明の標準CNNには最適ですが、残差接続やSelf-Attentionが1つでも入ると対応できません。
Netron はWeb版とデスクトップ版（Windows / macOS / Linux）があり、ONNX、PyTorch、TensorFlow Liteなどのファイルを直接開けます。論文執筆における本来の役割は 実際のテンソル形状と接続関係の検算 であり、MatMul → Add → LayerNorm のような低レベル演算列をそのまま論文図にするのには向きません。
2. LaTeXコードによる作図（PlotNeuralNet）
コンピュータビジョン系トップ会議でよく見かける半透明の3D畳み込みブロックの多くは PlotNeuralNet で作られています。内部はLaTeXのTikZパッケージで、薄いPythonラッパーから呼び出す仕組みです。
# PlotNeuralNet の基本ワークフロー（概念イメージ）
1. Pythonスクリプトで層マクロを順番に定義：to_input(...) → to_Conv(...) → to_Pool(...) → to_SoftMax(...)
2. スクリプトを実行して .tex（TikZベクター描画コード）を生成
3. pdflatex でコンパイルしてベクターPDFを出力し、\includegraphics で論文に挿入ベクター品質が高くGitで差分管理できる反面、ローカルのTeX環境構築が必須で、ブロック間隔（offset）の微調整に「数値変更→コンパイル→PDF確認」の繰り返しが必要です。定型的なCNN / U-Net以外のAttention内部構造などを描こうとすると、素のTikZ座標を手書きすることになりがちです。
3. 手動作図とAIによる初稿生成（draw.io・PowerPoint・SciDraw AI）
非標準モデルの多くは、手動ツールか「AIで初稿生成＋手動仕上げ」に落ち着きます。draw.io は無料・日本語対応・数式組版対応と三拍子揃った手動作図の定番です。PowerPoint は指導教員や共同研究者が誰でもそのまま修正できる強みがあります。一方 SciDraw AI は「白紙のキャンバスを前に配色と左右バランスで最初の2時間を溶かす」段階を短縮するためのツールです。ニューラルネットワーク図ジェネレーターに入力から出力までの構造を文章で書けば数十秒で初稿が得られ、編集可能なSVGやPPTXに書き出して細部を詰められます。
ここで SciDraw AI の弱点と代替手段 も明確にしておきます。第一に、PyTorchのコードを読んで次元を自動計算するわけではないため、特徴マップのサイズや残差矢印の接続先は 必ず著者自身が検算・修正する必要 があります（コード再現性を重視する定型3D CNNなら PlotNeuralNet、実装との照合には Netron を併用してください）。第二に、1つのブロック内に複雑な行列式やピクセル単位のグリッドを詰め込む図は draw.io や Illustrator で最初から手動で描く方が確実です。第三に、学習曲線やアブレーションの棒グラフなど実測データのグラフは Matplotlib・Origin・GraphPad Prism で作成してください。
ネットワーク種類別の選び方（CNN / Transformer / GNN / マルチモーダル）
1. 標準CNNとエンコーダ・デコーダ（ResNet・U-Net）
分岐のない浅いCNNなら NN-SVG で数分、立体ブロックのU-NetをLaTeXで組むなら PlotNeuralNet、フラットな技術図として特徴マップの縮小過程まで明記したいなら SciDraw AI が手軽です。以下は neural-network-diagram-generator に収録されている実際の入力例（英語ラベル用）とその出力結果です。
Draw a convolutional neural network (CNN) architecture from input image through convolution and pooling layers to flattening and fully connected layers, ending in a softmax classifier. Label each layer and show the feature-map sizes shrinking along the way.
CNNの出力例：畳み込み・プーリング・全結合層の順序と特徴マップ寸法の変化を左から右へ表示。
2. TransformerとAttention派生モデル（ViT・LLM・Cross-Attention）
Transformer図は外側の N× 反復枠、内側の残差バイパス、エンコーダ・デコーダ間のCross-Attention配線が絡むため、NN-SVGでは描けずPlotNeuralNetでもコストが見合いません。draw.io で2列スタックを手動構築するか、SciDraw AI で標準骨格を出してから提案手法のAttentionブロックだけを別パネルの拡大図（Zoom-in Panel）として切り出す構成が実用的です。
3. グラフニューラルネットワーク（GNN / GCN / GAT / 異種グラフ）
GNNの図は、左側にノードとエッジの非ユークリッド構造、右側にメッセージパッシング層とReadoutを並べる構成が一般的です。特定の1ホップ・2ホップ近傍への接続と重み係数ラベルを厳密に描き分けたい場合は、数式組版を有効にした draw.io や Inkscape / Illustrator での手描きが確実です。分子グラフ入力から複数GCNブロックを経て物性予測ヘッドに至る全体パイプラインなら、AIで骨格を作ってSVG書き出し後に局所グラフを差し込めます。
4. マルチモーダルと複合システム（VLM・RAG・拡散モデル制御）
画像エンコーダ＋テキストエンコーダ→クロスモーダル融合→共有バックボーン→複数タスクヘッドのような複合構成は、PowerPointでいきなり描き始めると紙面が詰まりやすくなります。先に研究論文向けAIモデルアーキテクチャ図の描き方で3分割レイアウトを設計し、AIアーキテクチャ図ジェネレーターで全体構図を試してからSVG / PPTXで整列を固定すると手戻りを減らせます。
実例：Transformer派生モデルを文章記述 → 生成 → 仕上げる手順
標準のMulti-Head Self-Attentionを独自のゲート付きスパースAttentionに置き換えるような提案手法を描く場合、最初のプロンプトに数式の細部まで詰め込まないのがコツです。
ステップ1：構造化された文章でベースライン骨格を生成する
まずニューラルネットワーク図ジェネレーターでエンコーダ・デコーダの基本骨格を作ります。以下はツールページ内蔵の実際の入力例です（国際会議・英語論文では英語ラベルのまま生成するのがスムーズですが、日本語の学位論文向けに図内テキスト言語を日本語に切り替えることも可能です）。
Draw the Transformer architecture with an encoder and a decoder stack: input embeddings plus positional encoding, multi-head self-attention, feed-forward blocks, add-and-norm layers, and the output softmax. Label multi-head attention and the encoder/decoder blocks.
Transformerの出力例：左右対称のスタック構造と残差・Cross-Attentionの経路が整理された初稿。
ステップ2：提案モジュール周辺を対話編集・サブパネル化する
骨格ができたら、最初から作り直さずに SciDraw AI エディタ 上で部分修正します。
- 提案モジュールの改名と強調：
Multi-Head Attentionを提案モジュール名（例：Sparse Gated Attention）に変更してアクセントカラーを付け、既存のAdd & NormやFeed Forwardは落ち着いたグレーブルーに抑えて新規箇所を際立たせます。 - 内部構造を別パネルに切り出す：Q/K/Vの分岐が複雑な場合は別キャンバスで内部ブロックだけを生成し、
(a) Overall Pipelineと(b) Proposed Attention Blockの2パネル構成にします。詳しい手順はAIでニューラルネットワーク図を作るステップバイステップ解説、そのまま使える文例はニューラルネットワーク図プロンプト24選を参照してください。
ステップ3：SVG / PPTXに書き出して技術的な整合性を検算する
最後に 編集可能なSVGまたはPPTX として書き出し、draw.io・Illustrator・PowerPointで3点を必ず確認します。（1）残差接続の合流位置が実装どおりPre-LNかPost-LNか、（2）テンソル形状や損失記号（L_total など）が本文の数式と一言一句一致しているか、（3）事前学習済みの凍結重み（Frozen）や学習時のみの教師信号ブランチが破線等で区別されているかです。
論文・国際会議で求められる構造図の共通基準
CVPR・NeurIPS・ICLR・IEEEや国内学会誌へ投稿する前に、次の5項目をチェックしておきましょう。
- ベクター形式を基本にする：LaTeX原稿には余白をトリミングしたベクターPDFを挿入し、査読者がPDFを200%〜400%に拡大しても線や添字が滲まないようにします。TIFF / PNG指定のジャーナルでは規定解像度を満たす高解像度で書き出します。
- 1段組・2段組の実寸幅で文字サイズを確認する：横に長い深いネットワークは2段ぶち抜き（
figure*）、コンパクトな積層は1段幅に合わせ、100%表示で最小ラベルが無理なく読めるか確認します。 - 本文と図中の用語・数値を完全一致させる：本文で
Cross-Scale Fusionと書いたものを図中で説明なしにCSFと略さず、チャネル数もアブレーション表と揃えます。 - 同種演算の色を統一し、色数を3〜4色に絞る：畳み込み・正規化・Attentionなどの役割ごとに論文全体で色を固定し、白黒印刷や色覚多様性でも判別できるよう実線・破線を併用します。
- キャプション単体で読めるようにする：図とキャプションだけで入出力、破線矢印の意味、どの色ブロックが提案手法なのかが完結して伝わるように書きます。
よくある質問（FAQ）
完全に無料でニューラルネットワーク構造図を描くならどれが最適ですか？
分岐のない標準CNNやMLPならブラウザ完結でSVG保存できる NN-SVG、Transformer・GNN・独自多分岐モデルなら無料・オープンソースで日本語UIもある draw.io が第一候補です。LaTeX環境がありコード管理したい場合は PlotNeuralNet が向いています。文章からの初稿生成を試すなら、登録時に無料クレジットが付く SciDraw AI のニューラルネットワーク図ジェネレーターから始められます。
Netronで書き出した図はそのまま論文の本文に載せられますか？
メインの手法図としてそのまま載せるのは避けた方が無難です。Netronは .onnx や .pt の低レベル演算ノードをすべて展開するため、紙面に対して細かすぎます。Netronはテンソル形状や分岐の検算に使い、論文用の図は draw.io・PlotNeuralNet・SciDraw AI でモジュール単位に抽象化して描くのが定石です。
PlotNeuralNetはTransformerやマルチモーダルモデルの作図に向いていますか？
あまり効率的ではありません。用意されているマクロは3D CNNやU-Net向けが中心で、Multi-Head Attentionの内部経路やクロスモーダル融合を描くには素のTikZ座標コードを手書きする必要があり、draw.ioでの手描きやSciDraw AI＋SVG微調整より時間がかかりがちです。
SciDraw AIで生成した図の文字・色・矢印はどうやって直せますか？
オンラインエディタ上でチャット指示によるラベル変更や配色変更を行ったあと、編集可能なSVGまたはPPTX として書き出し、PowerPoint・Illustrator・Inkscape上でブロック位置やフォント、残差矢印の接続点を直接調整できます。有料プランは年払い$10/月〜（月払い$20/月〜）で、詳細は料金ページで確認できます。
IEEE・NeurIPS・CVPRなどのLaTeXテンプレートにはどの形式で入れるべきですか？
ベクターPDF が最も確実です。NN-SVG・draw.io・SciDraw AIから書き出したSVGをInkscapeやIllustratorで余白なしのPDFへ無劣化変換し、\includegraphics で読み込みます（PlotNeuralNetは直接ベクターPDFを出力します）。拡大しても文字や矢印が一切ぼやけません。
