
IEEE PacificVis 2021 时序和时空数据专题(Temporal and Spatio-Temporal Data)共报告四个工作,分别是可视化时间不确定性的分类、时间相关的二维标量场集合分析、动静混合的多维时序数据分析以及集合数据的时空趋势可视分析。
继续阅读 »IEEE PacificVis 2021 时序和时空数据专题(Temporal and Spatio-Temporal Data)共报告四个工作,分别是可视化时间不确定性的分类、时间相关的二维标量场集合分析、动静混合的多维时序数据分析以及集合数据的时空趋势可视分析。
继续阅读 »IEEE PacificVis 2021 机器学习和自动可视化专题(Machine Learning and Automated Visualization)以及可视化遇到AI专题(Visualization Meets AI)共报告五个工作,分别是关于将机器学习运用到图布局偏好预测、自动可视化问答、单元可视化的滚动叙述生成、基于图标检测训练对信息图进行解析和总结,以及使用文档嵌入和降维展示主题演变。其中,来自北京大学可视化与可视分析实验室的自动可视化工作ADVISor的具体介绍在http://vis.pku.edu.cn/blog/advisor/。
继续阅读 »IEEE PacificVis 2021 视觉感知和评估专题(Visual Perception & Evaluation)共报告三个工作,分别是关于城市数据可视化、动态网络用户研究以及集合可视化的可读性评估。
继续阅读 »IEEE PacificVis 2021 会议于4月19日正式召开。PacificVis是由IEEE主办的国际可视化会议,从2008年至今已举办十四届。本届会议原定于中国天津召开,但是由于疫情改为线上举办。会议的开幕式和主题演讲以直播的方式呈现,技术论文的演讲则以预录制的方式进行。本届大会主席,来自天津大学的张加万教授介绍了会议的基本情况。会议吸引了来自15个国家的280名参会者注册。
继续阅读 »IEEE PacificVis 2021 的第一个主题报告的题目是《COVID-19疫情期间的可视化(Visualizations during the COVID-19 Pandemic)》,报告的嘉宾是来自北京大学的袁晓如研究员。袁晓如博士是北京大学信息科学与技术学院研究员,博士生导师,机器感知与智能教育部重点实验室副主任,大数据分析与应用国家工程实验室常务副主任。新型冠状病毒肺炎疫情在2019年底爆发,并迅速在全球范围内传播,使得其与每个人的生活都息息相关。在这期间产生了大量的数据,而可视化则可以非常有效的将信息传递给大众,并帮助相关人员进行决策。本次主题报告基于此背景,介绍了与COVID-19相关的可视化工作,其中包括两部分:COVID-19数据收集和可视化设计,以及全球范围的COVID-19可视化的协作收集和分析。
继续阅读 »第二个主题报告的题目是《可视数据科学-通过计算与交互应对挑战性数据场景(Visual Data Science – Integrating Computation with Interaction to Master Challenging Data Scenarios)》,报告的嘉宾是挪威卑尔根大学的Helwig Hauser教授。Helwig Hauser是挪威卑尔根大学可视化教授和数据科学中心CEDAS的负责人,关注数据科学的跨学科研究,以及数据科学教育和应用。在信息时代,研究者以及相关从业人员需要处理大量复杂的数据,包括多维集合数据集、流数据等。为了应对这样的挑战,越来越多的学科通过交叉合作的方式来发挥各自优势。可视数据科学即将交互式可视化与机器学习、统计等方法巧妙结合起来,让专家参与决策过程。Hauser教授的报告分为三个部分,第一部分是对数据科学、可视化数据科学概念的介绍,第二部分讨论其中的相关研究问题,包括高维数据分析、模型修正、可视化交互等,第三部分是对于开展交叉学科研究的心得和展望。
继续阅读 »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。
PacificVis 2018于4月10日在日本神户大学正式召开。会议首日是PacificVAST研讨会。不同于之前几年PacificVAST会邀请可视化领域的著名专家学者前来介绍可视化前沿工作,今年PacificVAST开始接受论文投稿,被接收的论文会被邀请到会议现场进行报告,并推荐到Journal of Visual Informatics期刊发表。会上来自日本庆应义塾大学的Issei Fujishiro教授和韩国首尔国立大学的Jinwook Seo教授介绍了今年PacificVAST的投稿情况。本次会议一共收到了24篇投稿,并在其中接收了来自于美国,中国,日本,德国和韩国等国家的一共9篇论文,所有9篇论文分成四个session进行报告。 继续阅读 »
近期评论