树可视化是可视化领域长期以来的研究热点。近40年来，研究者利用不同的视觉映射方式发展了超过300种树可视化形式（https://treevis.net/），并且广泛应用在日常生活中，例如展示电脑文件目录结构的缩进列表，反映股市中公司市值以及股价升降的Treemap。针对树可视化快速构建的问题，北京大学可视化与可视分析实验室袁晓如团队近期提出针对树可视化形式的描述性语法GoTree，支持用户从坐标系，视觉元素，以及布局三个方面描述预期的树可视化形式从而支持面向大众用户的灵活高效的可视化构建。这项成果发表于ACM CHI 2020。
继续阅读 »
目前中国新冠肺炎新增确诊人数逐日减少，世界卫生组织也肯定了中国对新冠肺炎所做的努力，并且认为中国的疫情顶峰已过，现在正处于稳步下降的状态。与此同时，世界上其他国家的疫情逐渐取代了中国，成为了世界关注的焦点。世界卫生组织总干事斯谭德塞22日在日内瓦与非洲联盟和非洲疾病预防控制中心官员的紧急会议上中谈到，“因为新冠肺炎病例在中国境外的迅速增多，使得防止疫情全球扩散的‘机会之窗’正在缩小。并且，目前在中国以外报告病例最多的日本、韩国、意大利和新加坡等国，都已经出现了社区聚集性感染现象。”
下面我们主要通过可视化，为大家分析全球疫情传播态势。
继续阅读 »
截至2月24日，我国累计确诊新冠肺炎病例77658例，确诊增速放缓，湖北省外（不含港澳台）新增确诊降至个位数，多数省份实现零新增，疫情控制良好。然而国际疫情形势却逐渐严峻，日本、韩国确诊均已超过800人，意大利病例增长迅猛，欧洲国家处于感染的高风险状态。世界卫生组织总干事谭德赛指出，现在是所有国家、社区、家庭和个人集中精力控制疫情、并为可能到来的“大流行病”做准备的时候。世卫组织将持续进行风险评估，时刻监测疫情的发展变化。
具体试用可以通过疫情可视化网址：http://vis.pku.edu.cn/ncov/
今天，在武汉经历了三天大规模的排查之后，新增病例有了大幅度的下降，数据一下子从连日的一千六百多直接降到了六百多例。但是今天卫健委发布的数据也同时引发了热议。很多网友疑惑为什么国家卫健委通告全国今日新增确诊394例，但仅武汉就新增615例，是不是卫健委算错了？人民日报官微的《武汉新增确诊病例高于湖北全省？这个数据你看懂了吗？》和央视网的《16连降！还有一个数据需要特别解释一下》这两篇推送在朋友圈刷屏。这里我们试图对新增核减的关系做一个详细的分析。
继续阅读 »
更新截止到2020.02.01晚24:00的疫情变化晴雨表。我们将每个省每天新增的确诊病例用方块的大小表示，用不同的颜色来表示和前一天比较，是否有更多的新增确诊病例。下面的可视化包括了湖北各市、地区和全国各省区。可以看到，目前虽然情况严峻，但是多个省份，已经有了一些好的迹象。我们希望疫情及早结束。
继续阅读 »
矩阵可视化是主要的关系（或网络）数据可视化技术之一。如果其布局能够揭示底层的数据拓扑结构，则最为有效。不同的矩阵排序算法带来不同的视觉模式，它们的可信赖性和可解释性是个值得研究的问题。 该工作[1]介绍了一种可视化分析系统来帮助新手、网络分析师和算法设计人员打开排序算法黑匣子，从而帮助用户更好地了解复杂的重排序过程，进而支持数据和重排序算法的见解。
我们提出了转发地图（R-Map），一种基于地图隐喻的社交媒体信息转发的可视化方法。该方法利用地图上不同的元素编码转发信息的不同特征，通过该方法及系统，能够直观的展示出一条社交媒体信息的转发结构、用户在转发过程中的角色以及转发过程中语义的变化。
在人们的日常交流中，情感扮演了重要的角色。情感的表达可以通过多种方式，如表情、声音、文字、肢体动作等。人们会通过同时利用多种表现方式来传递自己的情感，然而有时这些方式所传递的信息并不是一致的。该工作[1]通过利用视频中讲者的表情、文字、声音，来分析讲者在这个三个通道上情感表达方式的特征，从而帮助学习者提示自己的演讲技巧。
IEEE VIS 是由电气电子工程师学会（IEEE）计算机协会可视化和图形学技术委员会（VGTC）主办的可视化领域的顶级会议。IEEE VIS 包括科学可视化（Scientific Visualization）、信息可视化和（Information Visualization）可视分析（Visual Analytics Science and Technology）三个子会议。IEEE VIS 会议的正式录用结果于7月9日正式发布。北京大学可视化与可视分析研究组在袁晓如研究员指导下三篇全文论文被 IEEE VIS 2019 接收，均同时被领域顶级期刊 IEEE TVCG 收录。
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。
近期评论