2022年4月14日下午，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五届中日论坛可视化研讨会成功举行。本次研讨会特邀日本庆应义塾大学Issei Fujishiro教授进行开幕式致辞。Issei Fujishir教授曾担任Computers and Graphics（Elsevier，2003-2013），IEEE TVCG（1999-2003，2018-2022）和《Journal of Visual Informatic》（Elsevier，2016～至今）的编委，并于2008年作为程序委员会主席共同创立了IEEE PacificVis。他曾担任过IEEE VIS 2019/2018的SciVis的共同主席，并承办了PacificVAST 2018和TopoInVis 2017。目前，Issei Fujishir教授是日本可视化协会的主席和日本科学委员会的成员，是JFES Fellow和IPSJ Fellow，IIEEJ的荣誉会员，IEEE和ACM的高级会员，以及2021年IEEE Visualization Academy的入选者。
本次研讨会由6场邀请讲座和小组讨论组成，分别邀请了来自中国和日本的六位年轻研究人员分享他们在可视化方面最近的研究、见解和经验。
首先，中山大学计算机科学系陶钧副教授带来了《Interactive Exploration of Flow Data》（流数据的交互式探索）的相关报告。陶钧老师的主要研究兴趣是科学可视化，尤其是将信息论、优化和深度学习技术应用于流可视化和多元数据探索。在本次报告中，陶钧老师主要介绍了近期他们在交互式流可视化方向的两项研究工作。
首先，陶钧老师指出，随着流数据规模以及复杂的增大，传统的流可视化无法在有限的 2D 空间的屏幕上呈现大量信息，如图1(a)所示。为了应对这一挑战，交互式探索技术允许用户指定感兴趣的结构以进行可视化并降低视觉复杂性，如图1(b)所示。
图 1 基于传统流可视化技术以及基于交互式探索技术的流可视化结果
接下来，陶钧老师主要从(1)抽象空间如何有助于观察复杂的流结构并与之交互，(2)如何将新兴的交互技术应用于流可视化两个方面集中讨论了他们近期两个交互式流可视化相关研究工作。首先，针对复杂的流结构，分别介绍了基于模式（如图2(a)所示），以及基于语义（如图2(b)所示）的指定流结构获取方法。
其次，陶钧老师介绍了如何将自然语言处理技术应用于流数据结构获取的相关工作。如图3所示，整个处理过程主要包含三个阶段，首先输入对应的自然语言，随后进行声明式规范，最后进行可视化。
基于提取出的流结构，陶钧老师进一步结合他们的研究工作介绍了如何有效的对其进行可视化，减少视觉干扰，提高人类感知。针对流数据面可视化中自我遮挡严重以及缺少场线难以追踪起点和终点的挑战，陶钧老师介绍了一种新的视觉转换方法SurfRiver，可以将 3D 中的河流表面展平为 2D 中的河流，以进行比较可视化，如图4所示。这种可视化映射使用户可以轻松地沿流向跟踪并对齐流表面以进行比较研究。通过刷、连，将河景与空间面景连接起来，进行集体推理。
图 4 SurfRiver：扁平化流表面以进行比较可视化
接下来，由Naoko Sawada进行第二场报告《多维时间相关数据集中普遍性的聚类驱动可视化分析》（Clustering-driven Visual Analytics for Universalities in Multi-Dimensional Time-Dependent Datasets）。Naoko Sawada分别于 2017 年、2018 年和 2021 年获得日本庆应大学信息和计算机科学学士、硕士和博士学位，现就职于三菱电子信息技术研发中心。Naoko Sawada 于2018-2020年在美国马萨诸塞州剑桥市哈佛大学视觉计算组做访问学者，主要研究方向为时变多维数据可视化与分析。在本次报告中，Naoko Sawada主要介绍了针对耀变体的光学光偏振和近红外观测数据集的一种多维时间序列子序列聚类方法和聚类结果的可视化分析框架。
为观察耀变体，天文学家通常通过动画散点图分析偏振、强度和颜色的时间变化模式。此类方法通常难以进行Stokes平面上的时变分析以及理解变量之间的相关性，同时可视化结果视觉混乱，难以交互。对此，Naoko Sawada介绍了一种新的可视化方案，TimeTubes，用于探索在耀变体中观察到的极化时间序列数据。如图5 所示，在TimeTubes中，数据由 3D（Q、U 和时间）空间中的管表示。物体的Q和U、颜色和总通量的测量误差用管子的尺寸、颜色和亮度来表示。因此，TimeTubes允许我们在一个视图中查看六个变量的行为。
图 5 TimeTubes视图：blazar数据集的空间化
为识别子序列中的普遍性，Naoko Sawada进一步介绍了一种多维时间序列子序列聚类方法。该聚类方法挑战了多维时序子序列聚类的问题，如聚类原型定义、子序列之间的相似度度量、获得较少重叠子序列的方式等。如图6所示，各种联合视图允许用户仔细检查聚类结果。
第三场报告是由华东师范大学计算机科学与技术学院李晨辉副教授带来的《基于密度字典学习的时空数据分布实时可视化查询》（Real-time Visual Query of Spatiotemporal Data Distribution via Density Dictionary Learning）。李晨辉老师主要从事视觉分析和时空数据挖掘研究，曾获得最佳论文奖（2017）以及上海市科技进步奖（2020），是ChinaVis、CAD&CG和VINCI的程序委员会成员，还担任多个会议和期刊的审稿人，包括 IEEE TVCG、IEEE VIS、ACM CHI、EuroGraphics等。在本次报告中，李晨辉老师主要针对时空数据分布的实时查询，介绍了一种新的视觉查询系统。
随着时空数据变得越来越大，聚合、存储和查询的方法变得至关重要，目前已经提出了各种用于实时查询大型时空数据的工作，但是时空数据分布的实时查询仍然是一个开放的挑战。对此，李晨辉老师介绍了一种新的视觉查询系统，创建了一个低内存存储组件并提供时空数据的实时视觉交互，如图7所示。
针对该工作，李晨辉老师首先介绍了一种基于峰值的核密度估计方法来生成时空数据的数据分布。然后介绍了一种新的密度字典学习方法来压缩时间密度图并加速查询计算，主要工作流程如图8所示。DDLVis提供了各种直观的查询交互，以交互方式获得模式。
第四场报告是由Rei Takami带来的《用于制定多维时间序列数据评估指标的可视化分析》（Visual Analyticsfor the Formulation of Evaluation Metrics for Multi-dimensional Time-seriesData）。Rei Takami于2020年毕业于东京都立大学，主要研究方向为信息可视化和时间序列数据的可视化分析。他目前在东京的雅虎日本公司担任软件工程师，为新闻媒体和工具开发分析平台，以协助编辑的工作流程。在本次报告中，Rei Takami主要是介绍了一个可视化分析框架，以支持领域专家对具有时序特征的高维数据数据进行交互式探索与评估。
在许多领域，例如医疗和体育，多维时间序列数据的重要性正在增加。为了定量评估当前情况和这些数据的质量，评估指标（例如 KPI）预计将发挥重要作用。然而，领域专家很难制定度量标准，尤其是对于具有高维度和时间特征的数据。对此Rei Takami提出了一种可视化分析（VA）接口，该接口是通过扩展语义交互的概念来设计的，以考虑目标数据的时间特征。
在该工作中将度量表示为数据属性的线性组合，并提供了一种通过交互式 VA 调整它的方法。在动画散点图上，分析人员可以直接操作几个可视化对象，即节点、轨迹和凸包，作为节点和轨迹的组，如图10所示。操纵对象的结果反映在属性的线性组合中，它对应于散点图的一个轴。使用轴作为分析的输出，分析师可以制定一个指标。
接下来，由江南大学设计学院数字媒体系龙娟娟副教授带来了《数据驱动的交互式叙事可视化》（Data-drivenInteractive Narrative Visualization）相关报告。龙娟娟老师主要从事数据信息可视化、平面设计、数字媒体交互设计研究。她的信息设计作品发表在Gestalten Publishing House的Data Flow 上。此外，她的设计和指导作品被IEEE VIS 2021艺术计划展选中，并三度入围IEEE PacificVisVisual Data Storytelling。在本次报告中，龙娟娟老师将从设计师的角度，分享相关案例以及对叙事可视化的理解。
首先，龙娟娟老师介绍了叙事可视化，即（1）构建并提供的信息能够有效展示，（2）像好的故事一样详略得当，（3）能够将信息以具有吸引力的方式呈现，以便能被更快的理解。其次，介绍了数据在叙事可视化中扮演的角色，包括数据作为叙述灵感、素材以及方法。同时介绍了技术媒体是如何塑造我们与故事互动的方式，包括赋予旧故事新意义、新视角以及新体验。最后，龙娟娟老师分享了如何创建数据驱动的叙事可视化，包括编写分镜脚本、构建互动叙事模型以及营造叙事沉浸。
数据驱动的交互式叙事可视化在重要方面不同于传统的叙事形式，龙娟娟老师将从设计师的角度，分享相关案例以及对叙事可视化的理解，从而帮助我们更深入地了解将数据转换为视觉故事的过程。如图11所示，以关于公共卫生事件的数据可视化为例，我们需要宏观的、客观的可视分析，同样需要具体的、情感化的个体叙事。
如图12所示，展示流动的边界——新冠疫情交互式叙事可视化设计实践的主要流程。以第四章：春华为例，可视化并叙述了全国累计治愈病例。
图 12 流动的边界——新冠疫情交互式叙事可视化设计实践
最后，龙娟娟老师介绍了基于数据驱动的叙事可视化设计路径与工作流程，如图13所示。
最后一场报告是由京都大学计算机与媒体研究学术中心Hiroaki Natsukawa副教授带来的《结合数据驱动分析和可视化技术揭示生态系统动态》（Ecosystem Dynamics Revealed by Combining Data-Driven Analysis and Visualization Techniques）的相关报告。Hiroaki Natsukawa的主要研究兴趣包括信息可视化、神经科学，以及非线性动力学。目前，他一直在信息可视化领域工作，他的工作重点是与加州大学圣地亚哥分校合作开发可视化分析系统，通过经验动态建模实现数据驱动的分析推理。他目前是 Journal of Visualization 的副主编，是第 36 届日本生物磁和生物电磁学会地方委员会年会，IEEE PacificVis2019，2022 海报联合主席，IEEE PacificVis2018 出版主席，第 47 届日本可视化学会研讨会组织者，NICOGRAPH International2017 地方委员会主席，JSST2016 出版主席，JHBM18 地方委员会。在本次报告中，Hiroaki Natsukawa主要介绍了经验动态建模 (EDM)，这是一种用于理解复杂生态系统动态的数据驱动分析方法，以及一种结合 EDM 和交互式可视化技术的分析方法。
跨多个学科进行科学探究的一个重要方法是使用观察时间序列数据来了解关键变量之间的关系，从而获得对管理给定系统的基本规则的机械洞察力。在真实系统中，例如生态系统中，时间序列变量之间的关系通常不是静态的；相反，这些关系是动态的，并且以非线性或状态相关的方式变化。为了进一步了解此类系统，在Hiroaki Natsukawa的近期工作中研究了将适当表征这些动态的方法（即，测量随时间变化的系统状态变化时的交互的方法）与有助于分析系统行为的可视化技术相结合。如图14所示，专注于经验动态建模 (EDM) 作为一种最先进的方法，该方法专门识别因果变量并测量时间序列变量之间不断变化的状态相关关系。EDM 不是使用以参数方程为中心的方法，而是一种基于动态吸引子研究系统的无方程方法。最后，他提出了一个可视化分析系统，以支持使用 EDM 构建的动态图对系统状态进行识别和机械解释。
如图15所示，这项工作在四个分析任务中详细说明，提供了 EDM 和可视化技术的新颖综合，例如画笔链接可视化和视觉摘要，以解释表示生态系统动态的动态图。案例研究表明，该可视化分析工具支持用户对系统状态的识别和解释，并使用户能够发现生态系统动态中的验证性和新发现。
在报告的最后，六位报告讲者就以下三个问题1）VIS领域在国际合作方面存在的优势和挑战，特别是在中国/日本或整个亚洲，2）与中国和日本工业界合作的研究人员当前面临的挑战3）中日可视化研究人员的职业路径进行了讨论，各位讲者也都是给出了丰富的见解。最后，由北京大学“百人计划”研究员，北京大学信息科学技术学院博士生导师袁晓如老师进行闭幕致辞，第五届中日论坛可视化研讨会圆满落幕。
![]()
微信扫码咨询专知VIP会员