月度存档: 一月 2019

深度神经网络支持下的交互式体数据可视化(DNN-VolVis: Interactive Volume Visualization Supported by Deep Neural Network)

体数据在医学、科学模拟数据中具有广泛运用。直接可视化(DVR)是重要的体数据可视化方法。其中关键是设计合适的传递函数。传递函数是将体数据中体素的值映射成为颜色-透明度值。本质上是将体素进行分类,识别其中的特征并给予不同的颜色透明度属性。在传统体渲染中,给定传递函数,选定视角参数之后就可以合成、计算渲染结果的每个像素的值。

然而,有时用户想要探索已有的可视化结果,但原始的传递函数并未公开。或者探索过程中,用户不满足于调整传递函数来获取结果,在传递函数基础上,他们想要直接对渲染结果进行一些修改。但是从渲染结果到传递函数难度巨大:一方面传递函数的设计空间巨大不可能暴力遍历,另一方面渲染结果中像素和传递函数之间也没有解析表达,细小的传递函数的差异可能导致巨大的结果差异。为解决这类问题,本工作[1]提出了基于深度学习网络的更直接的处理方式。本工作中的神经网络可以接受用户想要探索的可视化结果作为输入,随着用户的交互,可以直接合成在其他视角参数下的“渲染结果”。我们合成的结果可以和真实的渲染结果相媲美。

继续阅读 »

FiberClay:通过雕刻三维轨迹揭示内在结构(FiberClay: Sculpting Three Dimensional Trajectories to Reveal Structural Insights )

随着在虚拟现实与增强现实的场景中,构建3D物体并与之交互的技术日渐成熟,可视化领域开始尝试利用这样的场景来探索、分析高维的数据。将空间数据在三维空间中可视化一直是备受争议的话题,在三维空间中可视化复杂的、大量的轨迹会遇到一系列挑战,例如密集轨迹的重叠问题会使得对轨迹的交互、查询变得繁复,尤其是在三维沉浸式空间中。本文提出FiberClay将轨迹在三维空间中可视化,同时结合新颖的3D刷选方法来快速选择轨迹,支持探索分析数据的内在结构。

继续阅读 »