时间： 2023年6月9日（周五） 09 : 30
地点： 望江校区基础教学楼B座318实验室
研读成员： 周锋、石紫锋
Part1
分享者： 周锋
分享内容：
[1] Zhang W, Wong JK, Wang X, Gong Y, Zhu R, Liu K, Yan Z, Tan S, Qu H, Chen S, Chen W. CohortVA: A Visual Analytic System for Interactive Exploration of Cohorts based on Historical Data[J]. IEEE Transactions on Visualization and Computer Graphics. 2022 Oct 5;29(1):756-66.
[2] Cuenca E, Sallaberry A, Wang FY, Poncelet P. Multistream: A multiresolution streamgraph approach to explore hierarchical time series[J]. IEEE Transactions on Visualization and Computer Graphics. 2018 Jan 23;24(12):3160-73.
论文简介：
[1] 在历史研究中，群组分析试图通过研究历史人物的群体行为来确定社会结构和人物流动。以往的工作主要采用自动数据挖掘方法，缺乏有效的可视化解释。本文提出了CohortVA，一种交互式可视化分析方法，使历史学家能够将专业知识和洞察力纳入迭代探索的过程。CohortVA的核心是一种新的群组识别模型，该模型通过从大规模历史数据库中预先构建的知识图谱来生成候选群组并构建群组特征。同时本文提出了一组协调的视图来展示已确定的群组和特征，并与历史事件和人物概况相结合。两个案例研究和对历史学家的访谈表明，CohortVA可以极大地增强群组识别、人物验证和假说生成的能力。
[2] 多时间序列是在同一时间间隔内出现的多个定量变量的集合。它们存在于许多领域，如医学、金融和制造业。近年来，流图可视化（由主题河流图演变而来）被广泛用于表示多个时间序列的时间演变模式。然而，流图和主题河流图在处理多个时间序列时都存在可扩展性问题。为了解决这个问题，可以将多个时间序列组织成层次结构，其中单个时间序列根据其接近程度分层分组。本文提出了一种新的基于流图的方法来表达多时间序列的层次结构，以便于探索和比较时间演变。基于焦点+上下文技术，本文方法允许在不同粒度（例如从概述到细节）上进行时间序列探索。
Part2
分享者： 石紫锋
分享内容：
[1] Furusawa, C., Hiroshiba, K., Ogaki, K., & Odagiri, Y. (2017). Comicolorization: semi-automatic manga colorization. SIGGRAPH Asia 2017 Technical Briefs.
论文简介：
[1] 本文开发了 "Comicolorization"，一个半自动的漫画图像色彩化系统。给定一个单色的漫画和参考图片作为输入，该系统会生成一个可信的彩色版本的漫画。这是第一个解决整个漫画（一组漫画页面）着色的工作。本文方法是半自动地给整个页面（而不是单个面板）着色，在多个面板上为同一个角色使用相同的颜色。为了通过参考图片的颜色给目标人物着色，本文从参考图片中提取颜色特征，并将其反馈给着色网络以帮助着色。本文方法采用了对抗性损失来鼓励颜色特征的效果。作为选择，本文的工具允许用户交互式地修改着色结果。通过将颜色特征反馈给深度着色网络，本文完成了对整个漫画的着色，为每个面板使用所需的颜色。
