IEEE Pacific Visualization Symposium 2018 – Day 1

今天是IEEE PacificVis会议正式日程的第一天。首先进行的是大会的开幕式。本次大会的会议主席Takayuki Itoh教授向各位与会者表示热烈的欢迎。在回顾了PacificVis十多年的发展之后,他介绍了本次会议的参与情况。今年是第十一届PacificVis会议。过去十年在中国举办了五次,韩国两次。今年是第三次在日本举办,前两次分别是首届2008年的京都以及2014年的横滨。今年会议共有15个国家的161位参会者,其中来自大陆的可视化研究者有49名,位居各国第一。

图1为2008 – 2017年PacificVis会议的举办地点

图2为本次PacificVis来自不同国家和地区的参会者人数

接着,论文、短文的主席分别对各自部分的参与、评审以及接收情况进行了介绍。本次会议共接受全文23篇,短文10篇。实验室洪帆同学的论文《Access Pattern Learning with Long Short-term Memory for Parallel Particle Tracing》和张江同学的论文《Dynamic Data Repartitioning for Load-Balanced Parallel Particle Tracing》被全文接收。从接收论文来看,虽然亚洲的参会者占了70%,但是只有大陆5篇论文入选,日本没有长文论文进入,美欧则分别有8篇和7篇工作入选,这样看来,亚洲的研究者还任重道远。

今天上午的会议日程包括一个主题演讲,一个论文fast forward环节以及海报展览环节。今天下午的会议是两个论文报告环节。

Keynote 2: Shuichi Onami

图3为来自RIKEN的Shuichi Onami做题为《Visualization accelerates data-driven developmental biology》的Keynote报告

今天的Keynote是来自RIKEN的Shuichi Onami带来的《Visualization accelerates data-driven developmental biology》。Shuichi Onami是RIKEN量化生物中心的带头人,主要从事生物相关数据的建模、知识提取与应用等工作。在报告中,Shuichi Onami主要介绍了他们在数据驱动的生物学中所做的相关工作。

现代生物学技术的发展,使得各种生物系统动态的定量数据得到了大量的积累。这些数据再结合单细胞分辨率数据和全基因组水平的基因表达数据,可以为现代生物学提供了新的机会,称之为数据驱动的生物学。

在这次演讲中,Shuichi Onami通过展示他们正在进行的关于动物发育的研究来概述这一生物学的新方向。 Shuichi Onami讨论了一种新的计算方法,通过使用大量动物发育中的核动力学定量数据来推断动物发育的定量模型。此外,Shuichi Onami还介绍了他们与可视化领域的科学家的合作,讨论可视化如何为数据驱动的生物学做出贡献。

接下来进行的是本次PacificVis接收的海报以及storytelling竞赛的fast forward环节。首先本次大会的海报以及storytelling竞赛主席对于参与情况进行简要介绍。本次大会共接收了30篇海报以及9个storytelling竞赛作品, 每一个工作需要做一分钟的简要介绍。

图4为我们实验室毕业的陆旻博士正在Fast-Forward Session介绍其研究工作

今天中午的海报展览环节安排在午餐时间进行,参会的老师同学在享受美食的同时能够更好的和海报作者进行学术交流。

图5为Poster展览环节参会者热烈讨论

Session 1: Graphs and Networks

下午的第一个Session是Graphs and Networks,第一个session共有两篇长文,一篇短文。第一篇论文《Optimal Algorithms for Compact Linear Layouts》提取了一种对流程图的折叠算法。流程图通常采用线性布局的方式,然而这种这种布局方式难以有效利用空间,不能对大规模数据提供概览。这篇文章,利用了动态规划算法,给定宽度下,将流程图折叠,保证了长宽比,提高了空间利用率。悉尼大学Seokhee Hong教授在去年PacificVis上发表了ProxyGraph,在此基础上,今年提出了新的采样方式支持从原始图产生一个具有代表性的Proxy Graph,Proxy Graph是对于原始图的稀疏表示,这篇论文提出了基于BC Tree的采样方法,将割点加入到采样集合中,然后对整体图采样(BCP-W)或者通过割点将原始图分割成不同的联通分量,对每个联通分量分别采样(BCP-E)。最后报告是短文《Development of an Integrated Visualization System for Phenotype Character Networks》。为了分析生物发育过程表型特征的因果关系,作者设计了CausalNet可视分析系统,结合文献查询的方式,支持对于表型特征因果关系的验证和发现。

图6为Seokhee Hong等提出的基于BC树的大图Proxy Graph生成方法

Session 2: Volume Visualization

这个Session包含四篇会议长文以及一篇来自TVCG的论文。这些论文中,有2篇论文考虑使用数据分布对数据进行表示,从而能在完成特定任务的前提下,减小数据的存储空间。其中一一篇《Image and Distribution Based Volume Rendering for Large Data Sets》考虑固定视角下光线追踪算法加速问题,作者将各条光线所穿过的体素,根据信息量进行分段,然后存储各数据段的数据分布,这样在进行光线追踪算法时可以进行较少量的重采样来加速计算。另一篇《Information Guided Data Sampling and Recovery using Bitmap Indexing》则考虑用位图索引(bitmap indexing)表示体数据中的问题。作者提出在位图索引前的采用一种基于分块数据信息量的分层采样方法,能在保持数据特性的前提下,仍然只消耗较小的存储空间。同时,作者也提出了基于二分图匹配的匈牙利算法,来根据采样数据实现原始数据的高精确度恢复。

图7来自俄亥俄州立大学的Ko-Chih Wang做题为《Image and Distribution Based Volume Rendering for Large Data Sets》的报告

另一工作《Smart Surrogate Widgets for Direct Volume Manipulation》考虑体数据中的交互问题。作者设计了一个智能插件,能在体渲染结果上进行直接操作,达到各种剖面图效果。相比于已有的简单交互截面操作,这个方面能实现更加复杂的效果,并且所用操作还能保持简单直观。

另外两个工作则考虑则考虑体数据上的压缩工作。其中一个考虑在保留数据拓扑结构的情况下对数据进行压缩;另一个工作则考虑使用张量压缩算法来加速体数据的过滤操作,基于本文所提出的方法,用户允许交互的筛选大量的体数据,甚至能够超过GPU的内存。由于科学数据的规模通常非常巨大,有效的数据压缩手段对于高效的数据后处理具有重要意义。

图8来自挪威Bergen大学的Sergej Stoppel做题为《Smart Surrogate Widgets for Direct Volume Manipulation》,图为正在介绍其直观的交互工具

 

发表评论?

0 条评论。

发表评论


注意 - 你可以用以下 HTML tags and attributes:
<a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>