可视化与人工智能交叉研究综述

随着人工智能技术的突破性进展,人工智能与可视化的交叉研究成为当前的研究热点之一,为人工智能和大数据分析领域的若干核心难题提供了启发式的理论、方法和技术.一方面,人工智能技术的创新应用提升了可视化的分析效率,拓展了分析功能,为大数据可视分析提供了强有力的工具.另一方面,可视化技术增强了以深度学习为代表的人工智能的可解释性...     

面向自动可视化的可解释数据变换推荐（英文）

自动可视化技术能够为不熟悉可视化设计的用户生成有意义的可视化,以支持他们的数据分析和模式发现需求。当前,主流的自动可视化方法采用聚合与过滤从原始数据抽取模式信息。然而,这些有限的数据变换并不能捕获聚类、关联等复杂的模式。尽管特征工程领域的最新进展为更加广泛的自动数据变换提供了可能,其结果却缺少可解释性,导致变换后的模式无法与原始数据特征建立联系。为应对上述挑战,我们面向自动可视化中广泛的数据变换类型,提出一种创新的可解释推荐方法。我们通过回顾既往文献总结可行的数据变换空间,通过开展预实验总结变换可解释性的度量。我们的推荐算法能够计算最优的数据变换,这种变换能够在维持可解释性的同时揭示数据的模式信息。真实场景下的使用案例与用户实验验证了我们方法的有效性。     

基于视频序列的平面海报生成方法

视频摘要是海量视频浏览的重要手段,现有的方法一般生成短帧视频或多帧序列图像以概括原视频,但它们都受限于原有时间序列,难以高效地表达信息.为此,提出了一种视频海报的自动生成方法来制作更为精练的视频摘要.如何提取视频中的关键画面与如何实现海报自动排版是其中的2个核心问题.对现有的视频关键帧提取方法进行扩展,采用综合视觉关注度模型,提出了基于视觉重要性的关键帧排序算法;在现有排版规则基础上,增加了版面位置对视觉心理感知的影响,设计出位置重要性驱动的视频海报自动排版算法.实验结果证明了文中算法的有效性.     

一种基于时空一致性的视频抠取方法

提出了一种交互式的时空一致性视频抠取方法,能够有效地从视频序列中提取出移动的前景目标.只需在视频体上简单地勾画时空的前景和背景线条,然后构造一个拉普拉斯方程驱动线条在三维的视频体上进行扩散,得到一个粗糙的抠取结果.随后,采用一种新颖的保持时空一致性的抠取技术,利用局部的统计信息和邻域信息,通过少数的迭代即可收敛到全局最优的抠取结果.最后,最优化一个新的全局代价函数在整个三维体上重建前景颜色,如实地保留了抠图结果的时空连贯性.算法的每一步计算都可转化为线性方程组进行求解,因此对于千万像素级的视频数据,也能快速得到高质量的抠取结果.通过对复杂的视频序列进行测试,展示了高质量的抠图结果和算法的高效性.     

一种统一的硬件加速自适应EWA Splatting算法

提出了一种新的硬件加速自适应EWA(椭圆加权平均)Splatting算法框架,可同时适用于三维体数据和点模型.算法将高斯重建核与低通图像滤波核结合,得到反走样、无模糊的高质量图像.提出一种高效的白适应滤波方法,减少了高质量EWA Splatting的计算量.提出了自适应体EWA Splatting的3种数据存储模式和一系列高级特性,其中包括交互式分类、体一面混合绘制策略和自适应浮点累加.展示了如何在可编程图形处理单元(GPU)中计算体数据和点模型数据的EWA Splat基元.实验表明,文中的方法在一台普通微机上每秒可绘制1500万～2000万个基元,达到较高的图像质量与交互的绘制速度.