标签存档: 交互

视觉说明:通过实时视觉画面增强语言交流 (Visual Captions: Augmenting Verbal Communication with On-the-fly Visuals)

在日常生活的对话中,人们会提及他人不熟悉的主题内容。在Zoom等在线会议中,即时的字幕可以帮助人们理解他人所说的话语。在这些场景下,该工作提出使用视觉图像进行辅助传达信息。具体来说,该工作设计了一个基于在线会议平台的AI辅助插件 [1],在用户的对话交流中进行多种方式的视觉图像推荐。用户可以通过Visual Caption所推荐的视觉图像进一步阐明自身的观点和内容。

继续阅读 »

Neo: 一种支持层次结构标签和多输出标签的混淆矩阵可视化 (Neo: Generalizing Confusion Matrix Visualization to Hierarchical and Multi-Output Labels)

混淆矩阵是一种常见的可视化形式,它通过一个表格式的布局,对所有数据预测的标签与的实际标签进行比较,用于帮助人们评估机器学习模型。来自苹果公司的研究人员对机器学习领域学者进行调研,发现一般的混淆矩阵无法处理层次结构标签和多输出标签,因此他们设计了一个混淆矩阵代数,并提出了Neo[1],一种新型的支持层次结构标签和多输出标签的混淆矩阵可视化系统,允许从业者灵活地编写、互动和分享混淆矩阵。

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 »

Charticulator: 交互式构建定制的图表布局(Charticulator: Interactive Construction of Bespoke Chart Layouts)

定制的图表更具表现力,可以根据想要传递的数据洞察进行细节的设计,从而让目标用户更容易注意、理解和记忆这些图表。用户想要创建这些图表,可以使用绘图的工具,但是这些工具需要手动设置数据和属性的映射,比较低效;可以用可视化的库编写代码实现,但是用户需要有较高的编程技能;也可以使用一些交互式的可视化构建工具,但是这些一般需要用户从一些模版中进行选择,因而表现能力不足,并且提供的布局方式有限或者提供的布局构建的交互不够方便。针对已有工作存在的问题,[1]的作者们提出了Charticulator,可以灵活创建可视化布局。

继续阅读 »

Deadeye:基于双眼呈现的前注意可视化技术(Deadeye: A Novel Preattentive Visualization Technique Based on Dichoptic Presentation)

突出效果(Pop out effect)被广泛地应用于人机交互和可视化领域。一个典型的例子是,当我们使用浏览器的页面搜索功能时,被搜索到的文字会被高亮出来。突出效果基于前注意(Preattentive)视觉特征,典型的前注意视觉特征有色调、形状、闪烁等。这一类的特征能够有效地吸引人的注意,凸显出来(Pop out),在较短的时间内(通常为200-250毫秒)被人类的视觉系统识别到,并且不会随着干扰的增多而受到影响。本工作提出了一种基于双眼呈现的前注意视觉方法:Deadeye。

继续阅读 »

一种基于三维卷积稀疏编码的体渲染智能系统方案 (An Intelligent System Approach for Probabilistic Volume Rendering using Hierarchical 3D Convolutional Sparse Coding)

图8:Kiwi数据和Aneurysm数据的体渲染结果,分别为[2]、[3]和本文方法

直接体渲染是一种表现三维体数据的强大可视化手段。过去数十年间,研究者们进行了大量的研究,来提高体渲染的速度与质量。其中,传递函数的设计是影响这两个指标的一个重要因素。传递函数将体素的值映射到诸如颜色、不透明度、可见性等光学性质。然而,要设计一个好的传递函数通常面临着很大的困难,对非专业使用者更是如此。绝大多数传递函数设计的方法都依赖用户大量的交互,用户需要根据数据的统计特征,通过不断试错,以求达到好的效果。这里的统计特征通常是数据某些属性的直方图。在本文中,作者提出了一种基于机器学习方法:三维卷积稀疏编码,能对体素进行精确分类,从而得到优秀的体渲染结果。同时,基于智能系统的交互方式,能让用户通过直观的输入,来完成传递函数设计过程。

继续阅读 »

MyBrush:可个人代理的交互刷选(MyBrush: Brushing and Linking with Personal Agency)

本文[1]通过在交互中加入个人代理,对流行的交互刷选技术进行了推广。将现有的交互刷选研究映射到一个设计空间,并把交互技术解构为三个部分:源(被刷选的对象),链接(源和目标之间的关系表达),和目标(显示源相关的是什么)。采用这种设计空间,本文创造了MyBrush,这是一个统一的接口,在交互刷选中提供个人代理,用户可以灵活配置多个刷的源,链接,和目标。三个焦点小组的实验结果表明,不同背景的人用不同的方式使用个人代理,包括执行复杂的任务和显式地显示链接。我们对这些结果进行了反思,为未来个人代理在信息可视化中的作用奠定了基础。

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 »

Vega-Lite:交互式图形的语法 (Vega-Lite: A Grammar of Interactive Graphics)

Vega-Lite是一种高级语法。它支持简洁的json格式的语法,能够快速地定义交互式数据可视化。 继续阅读 »

单子探索:一叶知秋 (Monadic Exploration: Seeing the Whole Through Its Parts)

在日常学习、工作和生活中,人、事、物之间以各种各样的关系彼此关联着:人们之间存在着社交网络关注的关系;研究人员之间存在着项目合作、论文合作者的关系;著作之间存在着引用的关系等等。这些存在关系的数据构建出了一个关系信息空间。对这个空间进行浏览 (navigation) 有助于我们更好地探索其中存在的关系结构。而对关系信息空间进行浏览并不总是很容易的,尤其是当这个空间存在着异构的、或大规模的数据项。这篇文章[1]则提出了一种新的浏览关系信息空间的方法——单子探索

继续阅读 »