因为最近工作的关系，需要研究一下IEEE VIS中2017年以后的与我之前主要方向（体渲染、医学可视化）有关的论文。我把这些年全部的论文进行了筛选和梳理，总共筛选出57篇论文，打算写一个文章来记录这些内容。这个栏目是2022年的6篇论文的介绍。
第一篇：
FoVolNet: Fast Volume Rendering using Foveated Deep Neural Networks
Authors: David Bauer, Qi Wu, Kwan-Liu Ma
体积数据在许多重要的科学和工程应用中都有发现。即使使用专业级硬件，也无法轻松实现为虚拟现实等要求苛刻的应用程序以高质量和交互式速率渲染这些数据以进行可视化。我们介绍了FoVolNet——一种显著提高体积数据可视化性能的方法。我们开发了一种具有成本效益的中心凹渲染管线，该管道对焦点周围的体积进行稀疏采样，并使用深度神经网络重建整个帧。Foveated渲染是一种围绕用户焦点对渲染计算进行优先排序的技术。这种方法利用了人类视觉系统的特性，从而在用户视野的外围渲染数据时节省了计算资源。我们的重建网络结合了直接预测和核预测方法，以产生快速、稳定和令人信服的输出。凭借纤薄的设计和量化的使用，我们的方法在端到端帧时间和视觉质量方面都优于最先进的神经重建技术。我们对系统的渲染性能、推理速度和感知特性进行了广泛的评估，并与竞争对手的神经图像重建技术进行了比较。我们的测试结果表明，FoVolNet在保持感知质量的同时，始终比传统渲染节省了大量时间。
（将会附带详细解读）
第二篇：
GRay: Ray Casting for Visualization and Interactive Data Exploration of Gaussian Mixture Models
Authors: Kai Lawonn, Monique Meuschke, Pepe Eulzer, Matthias Mitterreiter, Joachim Giesen, Tobias Günther
高斯混合模型（GMM）描述了来自几个不同群体的随机变量的分布。GMM在概率论、统计学、用于无监督聚类分析和主题建模的机器学习以及深度学习管线中有着广泛的应用。到目前为止，很少有人试图结合GMM来探索潜在的点分布，特别是当数据变得高维时，以及当GMM由许多高斯组成时。我们提出了一种包括各种基于GPU的可视化技术的分析工具来探索这种复杂的GMM。为了便于探索高维数据，我们提供了一种新的导航系统来分析底层数据。我们使用交互式三维视图来更好地支持用户理解高斯分布的空间排列，而不是将数据投影到二维。交互系统由两部分组成：（1）基于光线投射的视图，可可视化集群成员关系、空间排列，并支持新模式的发现。（2） 概述可视化，使Gaussians能够相互比较，以及基向量的不同选择的小倍数。用户在探索过程中可使用自定义工具和流畅的相机导航获得支持。我们的工具由五位领域专家开发和评估，23名参与者对其有用性进行了评估。为了证明其有效性，我们在几个数据集中确定了有趣的特征。
（将会附带详细解读）
第三篇：
Quick Clusters: A GPU-Parallel Partitioning for Efficient Path Tracing of Unstructured Volumetric Grids
Authors: Nate Morrical, Alper Sahistan, Ugur Gudukbay, Ingo Wald, Valerio Pascucci
为了提高非结构化体网格的预处理时间和渲染性能，我们提出了一种简单而有效的有限元聚类方法。我们不是在单个元素上构建边界体积层次结构（BVH），而是沿着希尔伯特曲线对元素进行排序，并将相邻元素聚合在一起，从而显著提高了BVH内存消耗。然后，为了进一步减少内存消耗，我们使用一系列高效的并行网格重新索引操作，将网格动态聚类为索引较小的子网格。然后将这些簇传递给高度优化的光线跟踪API，用于点包含查询和光线簇交集测试。每个簇都被分配了一个用于自适应采样的maximum extinction value，我们将其光栅化为沿光线分配的非重叠视图对齐仓。然后，在可视化过程中，这些maximum extinction bins用于引导样本沿着射线的放置，显著减少了所需的样本数量，并大大提高了整体可视化的交互性。使用我们的方法，我们在NASA火星着陆器数据集上的渲染性能比竞争性基线提高了6倍（包括体积阴影在内的1FPS至6PS），同时将内存消耗减少了3倍（33GB至11GB），并避免了任何离线预处理步骤，从而在消费者图形卡上实现了高质量的交互式可视化。通过利用RTX 8000的全部48 GB，我们将Lander的性能提高了17倍（1FPS高达17FPS），为大数据探索提供了新的可能性。
第四篇：
Finding Nano-Ötzi: Cryo-Electron Tomography Visualization Guided by Learned Segmentation
Authors: Ngan Nguyen, Ciril Bohak, Dominik Engel, Peter Mindek, Ondřej Strnad, Peter Wonka, Sai Li, Timo Ropinski, Ivan Viola
低温电子断层扫描（Cryo-ET）是一种新的三维成像技术，在解决亚微米结构细节方面具有前所未有的潜力。然而，由于信噪比低，现有的体可视化方法无法揭示感兴趣的细节。为了设计更强大的传递函数，我们建议利用软分割作为噪声体可视化的显式组件。我们的技术实现是基于半监督学习，其中我们结合了两种分割算法的优势。首先，弱分割算法为将稀疏的用户提供的标签传播到相同体中的其他体素提供了良好的结果，并用于生成密集的伪标签。其次，强大的基于深度学习的分割算法从这些伪标签中学习，将分割推广到其他看不见的体，而弱分割算法完全无法完成这项任务。所提出的体可视化使用基于深度学习的分割作为分割感知传递函数设计的组件。可以通过频率分布分析自动建议适当的斜坡参数。此外，我们的可视化使用无梯度环境遮挡着色来进一步抑制噪声的视觉存在，并赋予结构细节所需的突出度。我们技术实验中研究的冷冻ET数据是基于最高质量的完整严重急性呼吸系统综合征冠状病毒2型病毒粒子倾斜系列。我们的技术表明，对于现有技术无法可视化的非常嘈杂的体积的视觉数据分析，在目标科学中具有很高的影响力。
（将会附带详细解读）
第五篇：
Volume Puzzle: visual analysis of segmented volume data with multivariate attributes
Authors: Marco Agus, Amal Aboulhassan, Khaled Ahmed Lutf Al-Thelaya, Giovanni Pintore, Enrico Gobbetti, Corrado Cali’, Jens Schneider
包括材料科学、神经科学和连接组学在内的各种应用领域通常使用分割的体数据进行探索性视觉分析。在许多情况下，分割对象的特征是表达特定几何或物理特征的多元属性。具有相似特征的物体，由选定的属性配置决定，可以产生独特的空间模式，其检测和研究至关重要。这项任务是出了名的困难，尤其是当每个分段的属性数量很大时。在这项工作中，我们提出了一个交互式框架，该框架将用于分类体的最先进的直接体渲染器与用于分析属性空间和自动创建2D传递函数的技术相结合。我们特别展示了降维、核密度估计和拓扑技术，如Morse分析与散点图和密度图相结合，如何有效设计突出空间模式的二维彩色图。我们的框架的功能在来自几个领域的合成和真实世界的数据上得到了演示。
（将会附带详细解读）
第六篇：
Efficient Interpolation-based Pathline Tracing with B-spline Curves in Particle Dataset
Authors: Haoyu Li, Tianyu Xiong, Han-Wei Shen
通过数值积分进行粒子跟踪是生成可视化路径线的一种众所周知的方法。然而，对于粒子模拟，路径线的计算是昂贵的，因为插值方法由于缺乏连通性信息而变得复杂。先前的研究利用k-d树来减少邻域搜索的时间。然而，效率仍然受到跟踪时间步长的数量的限制。因此，我们提出了一种新的基于插值的粒子跟踪方法，该方法首先将粒子数据表示为B样条曲线，并对B样条控制点进行插值，以减少插值时间步长。我们证明了我们的方法以更少的计算时间实现了良好的跟踪精度。
