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。
集合数据的成员之间的比较是一项繁琐而易出错的工作，这由体数据的微妙差别导致。本工作提出了动态体数据线（Dynamic Volume Lines）以实现对一组体数据的交互可视分析。利用希尔伯特（Hilbert）空间填充曲线将三维数组线形化，希尔伯特曲线展开的过程很好地保持了空间局部性。利用此基于强度的变化绘制非线形的线图：在变化幅度的区域，通常是值得关注的区域，而变化幅度较小的区域一般为不重要的区域如背景。通过实验结果，本方法被验证了其可以识别局部的强度变化。
数字墨水有望结合手写的灵活性和美感，并且可以处理、搜索和编辑数字文本。在已有的工作中，字符识别将手写文本转换为数字表示，这将会损失个性化特征。同样的文字在不同人的笔触下会产生不同的结果，这些结果蕴含了用户的书写风格。此工作提出了一种新的神经网络架构，将内容和风格进行分离。从而使得书写结果可以在机器上得到编辑：包括改变书写风格或者内容。
对一个手工书写可以分解为两部分，内容和风格。如上图所示，手工书写表示成为x，可以分解成为风格z和内容π，如果可以对其进行划分，就可以将一个书写的风格和另一个书写的内容相结合构成新的书写。这样就达到的可编辑的目的。
在喷气机发动机转子中，局部气流不稳可能会对发动机产生不可逆的损坏，这种局部气流不稳称为滞障（Stall）。发动机运行过程中，相关领域的专家希望观察气流滞障的产生过程以及实时观测探究不同参数设置对滞障产生过程的影响。本工作主要探究的参数设置为矫正块流率（CMF，corrected mass flow rate）。
滞障没有明确定义及解析表达，判断某区域是否处于滞障状态只能依靠专家的经验知识。而依靠人力进行判断在大规模数据多时间步实时探究的要求下不可行。因此本工作提出了预测驱动的特征分析。在此预测驱动是指通过机器学习方法，学习专家对滞障状态的解析表达的判断。
近期评论