【动态】第六期可视化与可视分析国际学术报告成功举办

2021 年 12 月 7 日 中国图象图形学学会CSIG

12月2日，中国图象图形学学会可视化与可视分析专业委员会组织的第六期可视化与可视分析国际学术报告成功举行。此次报告特邀美国亚利桑那大学计算机学院Joshua Levine副教授担任讲者。Levine教授于2018年获得美国能源部早期职业生涯奖，担任2021 IEEE VIS大会主席。

Levine教授报告题目是《Neural Representations for Volume Visualization》（体数据可视化的神经表达）的精彩报告。他首先深入浅出地介绍了体数据可视化涉及的基本概念，包括标量场数据和体数据、体渲染流程及视角、透明度转移函数、颜色转移函数等，指出当前体渲染深度依赖用户交互的研究现状，抛出三个关键问题：如何让用户知道应该调整哪些要素，如何指导用户理解体数据的视图空间，以及能否生成针对体渲染器特征的整体表达？

针对上述问题，Levine教授引出了第一项研究工作：面向体渲染的生成模型。Levine教授首先提出了通过生成网络模型对体渲染过程进行建模的技术突破点，详细介绍了如何将体渲染参数和渲染结果之间的映射关系重新封装成可以通过生成网络进行学习和解算的形式。进而展示了一系列该技术生成的高质量渲染结果。同时，Levine教授指出，虽然当前生成的结果存在局部瑕疵，但是相较于传统体渲染，该技术能够实时生成渲染结果，不失为一种有效探索体数据的工具。最后，Levine教授对该技术中对抗网络的设计和对隐空间探索等具体技术细节进行了阐述。

图 1 生成网络渲染结果与真值比较

图 2 对体渲染及隐空间的探索

接下来，Levine教授针对当前体渲染面临的另一巨大挑战，即如何处理大规模数据，介绍了第二项工作：面向标量场体数据的压缩神经表达。该方法将标量场体数据表达为可以学习的隐函数，神经网络将数据域中的点映射为输出标量，通过构建权重数量小于原始输入数据体量的神经网络，可以实现压缩函数估算。Levine教授展示了生动的图例，详细介绍压缩和解压的过程以及压缩效果，并通过与先进的TTHRESH技术进行比较，体现了其方法在压缩比和图片质量方面的优势。同时，Levine教授也指出了该方法在训练时间和处理噪声方面的局限性。

图 3 神经网络压缩技术效果展示

图 4 神经网络压缩技术与TTHRESH技术量化比较

最后，Levine教授对本次演讲内容进行了总结，并提出了研究展望。首先，机器学习可以针对体数据和体渲染生成有效的表达形式，有助于我们对数据进行更好地可视化。其次，在对更复杂的分布、集合或随时间变化的体数据进行建模方向，仍然存在许多亟待解决的问题。

在提问环节，在线观众积极发表自己的观点并参与讨论。针对如何处理深度模型合成渲染结果存在的局部瑕疵及不确定性，从而满足包括生物医学在内的多个领域对结果精度的高要求，Levine教授表示他们已经在这方面展开了新的研究，比如训练另外一个模型，用来定位和比较生成结果与真值之间的差异，则该模型隐含合成过程中的不确定性，进一步我们可以对该不确定性进行可视化分析。针对神经网络生成的图像如何支持切片等传统体渲染交互手段这一问题，Levine教授首先现场演示了神经网络生成方法可以支持旋转、缩放、转移函数编辑等基本交互功能，进而阐明了通过改进可以使该方法支持切片等可以能够被生成网络建模的交互功能，但难以实现体渲染支持的所有交互操作。同时，Levine教授也指出，该生成网络模型并不是要替代传统体渲染方法，其作用之一是对体渲染进行有效的解释和分析。

本次活动由西北工业大学支持，可视化与可视分析专委会委员刘乐主持。下一期报告将于2021年12月16日上午9:00-10:30举办，报告题目为《Neural Word Embeddings：Adding the Human into the Loop》，讲者是来自于美国石溪大学的Klaus Mueller教授。

来源：CSIG可视化与可视分析专委会