ChinaVis 2020 线上会议 —— 上午

ChinaVis2020于7月19日线上举行,VCL视觉计算实验室有十余名小伙伴参与线上会议并进行了全议程记录。上午的议程由开幕式、屈华民教授可视化主题报告、网络与图论文报告和科学可视化论文报告四个部分组成。

一、开幕式

会议开幕式包含专家致辞和宣读获奖名单环节。值得一提的是,VCL视觉计算实验室的一支队伍获得了挑战赛的优秀奖(四川大学-温啸林)。
11-6

图1.1 ChinaVis2020挑战赛获奖作品

二、主题报告: 如何优雅地谈论可视化(屈华民)

记录者:王心翌
报告简介: 本次报告主要回答了一些可视化研究中面临的问题:可视化领域的方法论是什么、如何评估一个可视化、如何让使用者读懂一个复杂的可视化系统等,在解答这些问题后,屈教授展望了未来可视化的发展方向。
讲师简介: 屈华民教授。现任香港科技大学计算机与工程系正教授及学校跨学科课程事务处主任。本科毕业于西安交通大学数学系,2004年于纽约州立大学石溪分校取得计算机博士学位。研究领域是数据可视化和人机交互,主要的研究方向是可解释性AI,智慧城市、社交网络分析、数位学习和文本可视化。

1 可视化设计与验证的嵌套模型

如图2.1,左列是可视化设计所依赖的理论基础,图中四个方框对应设计的四个步骤:1)了解用户需求;2)抽象出数据与任务;3)可视化系统设计并加以验证;4)生成相应的算法并评估。
21-1

图2.1 可视化设计与验证的嵌套模型

2 可视化系统的评估

如图2.2,可视化系统的评估可采用三段论准则:1)确信解决了需求者的问题且得到可视化研究者的认可;2)应用于实际场景并证明能够解决实际问题;3)采用对照实验以严谨地评估系统的有效性。
22

图2.2 可视化系统的评估

3 可视化领域面临的主要问题与解决思路

在同行业外人员交流时普遍存在着“读不懂”的痛点,即设计出的可视化系统较为复杂,在没有相关指导的情况下,无法第一时间读出有用信息。如图3.1中的可视化系统涉及多个图表间联动,非专业人员拿到后难以找到分析地切入点。这显然有悖于可视化的初衷——帮助人更快更清晰地挖掘出数据背后所隐藏的信息。
31-2

图3.1 较复杂的可视化系统
造成上述问题的主要原因是线性解决问题的思维习惯与多个图表并行地进入视野之间的矛盾。人们倾向于有序地分析图片,即线性解决问题的思维习惯,如图3.2左半部分就能在较短时间内顺序地理解。但当大量未知的图形并行地进入人们视野时往往会难以找到分析的切入点,进而读不懂图片,如图3.2右半部分,大量未知符号并行地进入视野后,很难快速提取出信息。

32-1

图3.2 一组案例

解决上述问题的核心思路是将二维图表转换为一维线性的分析过程,即通过将读图步骤流程化,梳理后提供给用户,如图3.3的流程化读图案例。
33-1

图3.3 流程化读图案例

4 可视化发展方向展望——短视频来讲述数据故事

现今可视化还停留在图片展示的形式,信息传达能力有限。通过短视频的方式,可视化信息的讲述将会获得更大地展示空间与表现力。

三、Paper Session1 网络与图

主持人:赵颖,中南大学
记录者:李季倬
由于网络本身结构与语义的复杂性,网络可视化有很多值得可以研究的问题,本专题介绍了ChinaVis2020录用的5篇网络与图相关的论文。

1. 用于大图探索的基于拓扑和语义信息的子图提取方法

1.1
分享者:毛廷运,中国科学院空天信息创新研究院
大图是节点众多,结构复杂的图,主要包含拓扑信息与节点语义信息。现有的大图探索可视化方法分为全局视图与局部视图两大类,现有局部视图方法获取的子图缺乏清晰的语义,本文通过将图的拓扑结构与节点属性结合起来,进行焦点选择,相关性计算,最终提取出语义清晰的相关子图。

2.动态图序列演变模式可视化

1.2
分享者:原恺涓,浙江大学
动态图序列是一系列与时间有关的图的集合,可以反应结构随时间的变化。多序列动态图中频繁出现的特征结构的变化可以帮助专家总结演变规律,现有工作大多注重于呈现差异信息和演变过程,需要用户自己总结演变模式。本文首先从原始数据生成动态图序列,然后将动态图序列抽象为事件序列,最终通过频繁序列挖掘算法,从事件序列中总结出演变模式,并设计合理的可视化相互手段,帮助用户近行探索分析。

3.分析具节点权重之图形之手绘绘图美学之研究

1.3
分享者:黄伟栋,悉尼科技大学
节点图是一种应用非常广泛的表现形式。很多算法致力于简化当节点数目很大时整个节点图的视觉复杂性,本文工作通过用户调研,分析不同布局算法对于绘图美学的影响,发现对于人而言比较重要的绘图美学,证实受测者对于具有节点权重的图形绘制具有学习能力。得出如下结论:交叉连线数最小化是最重要的美学,其次是将重要节点置中;当节点具有权重特性时,受测者喜好棋盘式结构的美学;证明了受测者具有良好的学习能力。

4.利用图抽象技术帮助图对比

1.4
分享者:金卓宸,同济大学
图被广泛应用于各个领域,对两张或多个图进行对比是一个很重要的问题。在可视化图比较领域,现有的节点链接图与邻接矩阵图在帮助分析人员理解图拓扑结构方面存在局限性。因此,为了保留图的拓扑信息,同时降低视觉复杂度的图可视化展现形式,本文将原始图的点线进行抽象的可视化,将图中的每个节点映射成一个特征向量,使用特征向量的距离编码图中点之间连接关系,根据向量之间的距离将节点布置于一个三角网络中。根据用户调研,生成的三角网络在比较节点最短路径长度与相似子图两方面都优于其他两种设计。

5.多元网络可视分析综述

1.5
分享者:刘玉华,浙江财经大学
多元网络普遍存在于现实世界中,节点和关系附带的多维属性信息能够从不同角度反映实体之间的联系模式和内聚特性,对用户探索和分析关系建立、社团形成、网络演化等具有重要意义。本文从多元网络的可视化方法、可视化中的交互技术以及可视分析的领域应用三个方面介绍了如今多元网络可视分析的研究现状。其中多元网络可视化方法主要包括:多视图协同,简化表达,属性布局,点边映射与矩阵表达。交互技术主要包括:视图层级,视觉结构层级与数据层级。领域应用主要包括:社交网络,生命科学,地理交通与深度学习。

四、Paper Session2 科学可视化

记录者:李龙兴

1. Gaussian Mixture Model-based Target Feature Extraction and Visualization

分享者:马骥,浙江工业大学计算机学院
本文提出了一个半自动的基于高斯混合模型的目标特征提取和可视化方法,该方法允许用户在体数据的两个切片上用套索工具快速的标记一个或多个感兴趣的目标特征,然后自动的对这些目标特征进行提取和可视化,图4.1展示了本文方法的研究框架,图4.2这是本文方法的结果与Rule-enhancement、GuideME以及Ground truth三种结果之间的比较。

2.1-1

图4.1 研究框架

2.2----

图4.2 结果比较

2.基于局部特征的扩散张量场的神经纤维追踪

2.3

图4.3 神经纤维追踪
分享者:傅宝锋,天津大学

在对人脑白质纤维追踪的过程中,需要对扩散张量场进行插值处理,才能获取连贯的图像。但在插值过程中,新插入的扩散张量往往会受到奇异点方向性的影响而产生挤压效应与方向异常的问题。本文所提出的基于局部特征的扩散张量差值追踪方法可以攻克上述难点,获得连续且平滑的纤维。

3. A Composition-Free Parallel Volume Rendering Method

2.4

图4.4 渲染结果
分享者:王佳敏,天津大学 本文结合图像空间划分和基于八叉树的数据空间划分,提出了一种混合并行体渲染方法。该方法通过为每个像素生成射线数据相交列表,完全移除了图像合成阶段。在实验部分,本文与其他两种现有体渲染方法进行对比。实验结果表明,本文的方法相对于其他方法,渲染效率得到了提高,图4.4是部分渲染结果图。

4. Multi-threaded Parallel Projection Tetrahedral for Unstructured Volume Rendering

2.5

图4.5 可见性排序算法

分享者:Liang Fan,西南科技大学
本文的研究领域是非结构网格的交互式可视化,非结构网格体绘制算法涉及到大量的向量运算、距离运算和差值运算,几何结构的不规则、算法之间的数据依赖和串行算法的低cpu利用率都是目前的主要挑战。本文采用目前流行的多核架构对投影四面体算法进行多线程并行加速,主要有四点贡献:设计了线程并行的可见性排序算法;提出了投影多边形分类与拆分的归一化方法;设计了线程并行的投影多边形分类与拆分算法;通过实验分析和验证了本文的结论。

5.集合标量场可视化

2.6

图4.6 综述结构

分享者:张明岽,清华大学
为了更好地了解物理世界的不确定性,越来越多的领域采用集合仿真,即通过不同的参数、模型、初始条件等设定运行多次仿真。得到的结果是,增加一个集合维度的数据,构成一个高维的数据立方体,给人的理解带来困难。这吸引了可视化领域研究者的研究兴趣,大量的结合可视化工作发表。本文从信息提取、趋势分离、可试映射三个维度对这些工作进行了梳理。

123