作者存档: Jiang Zhang

针对大规模应用的欧拉-拉格朗日组合数据表示方法 (A Combined Eulerian-Lagrangian Data Representation for Large-scale Applications)

在科学应用中,模拟的数据输出形式主要有两种。一种是欧拉表示,也就是通常说的体数据,在固定的格点上记录数据信息,不过对于格点之间的区域往往需要插值。另一种是拉格朗日表示,即粒子数据,记录了离散粒子在数据场内的运动,其缺点是在一些感兴趣的区域可能没有粒子出现。在传统方法里,这两种数据表示形式在不同的分析任务中往往是独立存储和访问的。 为了提高计算效率,我们需要一种将两者进行结合的高效的组合表示形式。这篇文章[1]针对这一问题提出了一种欧拉-拉格朗日联合表示方法,可以对两种形式的原始模拟输出数据同时进行重组织,提高了数据载入和一些基本数据操作的效率。

继续阅读 »

具有时空误差控制的交互式渐进可视化 (Interactive Progressive Visualization with Space-Time Error Control)

在体可视化中,光线追踪算法是一种常用的算法。不过,由于对每条光线而言都需要进行大量的采样,其计算代价是非常大的。这时候往往可以使用渐进可视化的方法,即一边展示一些早期近似计算得到的绘制结果,一边持续对该结果进行优化精炼。但是,图片往往需要一个比较长的绘制时间才能达到高的质量(即空间误差随时间不断减小),而当视角和传递函数改变时,比较长的响应时间会延迟图片图片帧的替换(即时间误差越来越大)。因此,这里面需要做适当的权衡。传统的方法使用静态的采样率和帧率,但是如何选择一个好的静态设置并在交互式可视化中得到保持是非常困难的。2014年SciVis的这篇文章[1]提出的一种基于空间和时间误差估计的动态自适应帧控制的方法,很好地解决了这个问题。如图1所示示例,该方法在静态的采样率和帧率之间做到了很好的平衡。

继续阅读 »

虚拟牵开器:使用基于物理变形的交互式数据探索系统 (Virtual Retractor: An Interactive Data Exploration System Using Physically Based Deformation)

在三维数据的探索中,视觉遮挡往往是一个比较严重的问题。数据内部重要的信息会被表面的元素遮挡住,影响了人们对这类数据的探索和认知。尽管可以有一些手段来处理遮挡,但是在这一过程中如何尽力保留所探索目标附近的上下文信息(例如一些辅助性的关键特征)也非常重要。这些都给三维数据的探索带来了比较大的挑战。实际上与之相类似的是,在我们的日常生活中,我们经常会通过直接打开的方式检查一个物品的内部情况,例如,通过拉动拉链打开一个手提包就可以看到里面的东西。在医学上,医生们做手术时经常会用到医疗牵开器,将切开的患处表面组织牵开,从而显露出需要手术的范围。受这一思想的启发,今年的PacificVis会议上就有一篇文章[1],使用一种虚拟牵开器的方法,通过物理变形将三维数据从表面“切开”,让用户可以对数据内部的信息进行探索。

继续阅读 »

基于自下而上的子空间探索的多变量体数据分析和可视化(Multivariate Volumetric Data Analysis and Visualization through Bottom-Up Subspace Exploration)

多变量体数据的可视化是科学可视化中的一个重要研究方向。这类数据往往包含了很多有意义的特征,而这些特征大都与多个变量相关。为了提取并可视化这些特征,人们通常会设计和使用多变量传递函数。不过,由于变量的数据比较大,并且变量与变量之间的关系很复杂,多变量传递函数的设计相比与传统的一维传递函数会遇到更大的困难和挑战。但是另一方面,某些特征事实上可能只存在于一个变量的子集中,也即是所有变量的一个子空间中。例如,飓风的风眼是一个非常重要的特征,它可以只根据速度和压强这两个变量就可以识别出来。因此,在多变量体数据中,通过子空间的探索来鉴定某些特征往往更加方便和容易。针对这一现象,今年PacificVis的一篇文章[1]提出了一种自下而上的子空间探索方法,支持对多变量体数据中特征的提取和可视化。

继续阅读 »

IEEE Pacific Visualization Symposium 2017 – Day 2

今天是正式会议的第二天,包括一个Keynote演讲,三个Paper session,以及与Posters相关的Session。

继续阅读 »

用于3D数据探索的混合触感/有形交互 (Hybrid Tactile/Tangible Interaction for 3D Data Exploration)

在三维数据的可视化中,交互探索是非常重要的一部分。为了达到这一目的,研究者经常要依赖于专用的3D输入设备,例如平板电脑和大屏幕显示墙。这些设备提供了新的交互范式:触感(tactile)输入和有形(tangible)输入。触感输入通过使用一些单手或双手触控的映射和窗口部件来实现,而有形输入是基于在三维空间中通过物理移动专门的移动设备来达到交互。但是,在实际运用中,不同的输入范式之间的过渡仍然是未知的。尽管这两种输入在以往的工作中都出现过,但是并没有人研究它们在三维数据可视化探索中各自的益处和挑战。如何将触感和有形交互结合起来用于三维数据探索也成为了一个仍待解决的问题。因此,今年SciVis的一篇文章[1]设计并评估了一种结合触感和有形范式的交互界面,用于三维数据探索。文中针对流体动力学领域,首先了解了在三维数据探索中的一些基本的交互任务和交互技术,然后基于这些发现提出了一种针对常见的三维可视化任务这两种范式混合映射的设计空间,最后对其中的某些混合映射进行评估并通过用户调研将其与单独使用触感和有形输入的方法分别比较。

继续阅读 »

针对天气预报集合数据的时间层次聚类和可视化 (Time-hierarchical Clustering and Visualization of Weather Forecast Ensembles)

集合(ensemble)模拟数据可视化是科学可视化的一个重要研究方向,特别是针对气象学这一特定领域。通过扰动初始条件或者使用不同的预测模型公式,集合方法会生成代表大气未来可能状态的一些数据成员。分析集合预报中的时间演化和可变性是这类问题的一个重要的任务。在已有的方法中,spaghetti plots (意大利面条图)是一种比较常用的分析气象标量场集合数据中等高线(iso-contour)的变化的方法。具体来讲,对于每个时间步,都有一个spaghetti plot展示某一iso-value下所有集合成员的等高线,这些spaghetti plots往往并列放置。如果需要看其动态演变,则需要通过动画的方式。但是,由于用户需要感知大量的视觉信息,动画很难建立连续时间步下等高线之间的关联。针对这一问题,今年的SciVis上提出了一种新的方法,可以分析集合天气预报数据中等高线的时空演变[1]。

继续阅读 »

IEEE Pacific Visualization 2016会议成功举办

可视化三大会议之一的IEEE Pacific Visualization于今年4月19-22日在我国台北的台湾科技大学召开。PacificVis会议从2008年开始举办,主要面向亚太地区的可视化与可视分析研究,首届2008年在日本京都,次年四月在北京大学举办,至今已是第九届。本届大会共吸引了近百位世界各地的可视化领域专家和学者,国内包括北京大学、天津大学、浙江大学、中南大学、西南科技大学、四川大学、山东大学、中科院等高校机构都参加了这次盛会。

继续阅读 »

基于高阶访问依赖的高效非定常流场可视化 (Efficient Unsteady Flow Visualization with High-Order Access Dependencies)

在流场可视化中,场线追踪是一种很基础的技术,很多应用包括流面计算、FTLE计算以及源汇分析等都需要追踪大量的场线。然而,由于巨大的I/O和内存需求,场线的计算是非常昂贵的。特别是I/O开销,往往能占据整个计算时间的90%。解决I/O负担的一个方法是将数据访问模式结合到场线计算中。数据访问模式由流场数据的特征隐式地决定,其记录了场线轨迹的数据访问情况。我们可以将其提取出来,并在之后的场线应用中预测数据访问。在已有的方法中,马尔可夫链被用来对数据访问模式进行建模,其思想是通过当前的数据访问预测下一个可能的数据访问。这种访问模式也被称为数据块之间的一阶访问依赖。不过,由于每个数据块可能与多个其他的数据块有访问依赖关系,因此很难得到比较准确和可靠的访问预测。
继续阅读 »

时变数据分析中基于分布的特征提取和追踪 (Distribution driven extraction and tracking of features for time-varying data analysis)

特征的提取和追踪是流场可视化中一种非常重要的技术,可以让科学家们直观地理解模拟数据的特性,从而发现有意义的物理现象。大多数已有的特征追踪技术都会通过设置阈值或查询范围等方式事先定义特征,然后再对具体的特征进行提取和可视化。但是,随着数据变得越来越复杂,科学家们经常只能够模糊地定义感兴趣的特征,例如涡旋中心和地震冲击波等。此时包含特征的区域不能通过精确地定义来描述,因此科学家们需要运用新的算法来有效地提取和追踪这类模糊的特征。去年的IEEE SciVis上就有一篇文章提出了基于分布的方法,使用高斯混合模型(GMM)对目标特征区域进行表示[1]。该方法对每个数据块在初始时间步进行GMM建模,然后使用增量学习的机制更新数据块GMM在每个时间步的参数。与此同时,对每个数据块在每个时间步计算两种概率,包括该数据块有潜在特征运动的概率和有指定特征存在的概率。将这两种概率进行线性结合,建立新的特征分类场(feature-aware classification field),然后就可以进行特征的提取和追踪。下面将详细介绍这个工作。

继续阅读 »