2024年4月23日上午，第七届中日韩可视化论坛在日本东京庆应义塾大学三田校区北馆举行。来自中国、日本、韩国的三十多位可视化学者参加了活动。本次活动也是IEEE PacificVis 2024的前奏。
中日韩可视化论坛中，中国、日本和韩国每个国家各有两位学者进行报告，在六个汇报结束之后，六位报告者共同参与了一个圆桌论坛。
作为东道主，两位来自日本的学者率先汇报了在机器艺术和海洋科学可视化方面的研究成果。
来自庆应义塾大学的Fuminori Shibasaki首先介绍了在美术作品中计算引导线的工作。美术作品中稀疏分布的物体、渐变、笔触、人物姿势等，都会被作者用于设置引导线。这些引导线可以强调重要物体，并指引欣赏者的观看顺序。他们提出可以根据计算显著性地图表示这些元素，并通过梯度确定引导线的方向。他们使用Morse-Smale复形对显著性地图的梯度进行抽象，根据复形的极值点和鞍点获得与引导线相关的子图，并设置阈值对子图进行拓扑的简化。在评估中，他们发现方法在静物画和自然风景图中有较好的效果，并指出未来工作方向可以探索考虑人物视线等语义内容。
Shibasaki讲解提取美术作品引导线的算法流程
接下来，御茶水女子大学的Midori Yano博士分享了她在模式水层（Model Water）可视化上的研究。模式水层指海洋中物理相似的一种水体（Water Mass），是海洋分析的一个重要组成部分，有助于解释气候变化机制。在虚拟现实环境中，模式水层常通过等值面描述。Yano博士重点介绍了一种使用虚拟现实分析模式水层时的视角选择方法。该方法针对两个从相同水体提取模式水层的比较，帮助用户快速导航到合适的观察视角。她提出一个三步算法。算法首先计算两个模式水层之间的距离，这一距离被编码为颜色并用于模式水层的表面着色。之后，算法计算一个包围需要观察对象的正十二面体，将其20个顶点作为候选视角。在每个候选视角上，被着色的模式水层被渲染为一个二维图片。图片上的颜色分布能反映对应视角能够观测到的对比差异情况。之后可以使用点图等方法帮助用户快速了解不同视角下的特征并提供不同视角之间的便捷导航。
通过检查色调的分布，用户可以快速获知不同视角下模式水层的着色情况
在韩国的报告环节中，来自首尔国立大学的Hyunwoo Park教授介绍了交互式可视化如何帮助探索网络数据并促进决策过程。针对“如何智能定位节点以揭示网络内在结构”这一问题，Park教授讲述了可视化方法双中心图（Bicentric Diagrams）。这种方法适用于网络中有两个焦点实体的场景，如展示企业之间的合作竞争等复杂关系。Park教授接着指出，在供应链管理中，网络可视化技术可以呈现供应链中的复杂供应商关系，超越传统的买卖双方线性视角。此外，网络可视化还可以应用在商业生态系统分析，比如呈现硅谷中不同科技公司的相互关系。Park教授称之为建立科技公司生态中的“谷歌搜索”。
Park教授介绍了他可视化生涯中的第一个工作——双中心图
来自首尔世宗大学的Sangbong Yoo博士介绍了“利用人工智能了解人类行为和决策”的内容。他指出，最近人工智能研究（如大语言模型）备受关注，这些模型通过模仿人类思维的方式来解决问题。然而，人工智能要模仿人类思维，就必须了解人类的认知过程。人的认知过程是利用器官来收集信息，然后理解、行动直至决策。与人类不同，人工智能没有器官，因此要想利用给定的信息做出与人类类似的决策，就必须学会从数据中获取和利用洞察力。
Sangbong Yoo博士总结的人类的认知决策过程
在中国的报告环节，来自江南大学的龙娟娟教授在讲座中阐述了叙事可视化的方法，以案例结合的方式向我们展示了如何用可视化讲好一个故事。龙教授从设计路径讲起，叙事者首先需要收集与处理数据，随后在叙事设计中从叙事、交互、视觉编码三方面进行循环往复的思考，再进一步地完成技术上的测试与开发迭代。她介绍了马提尼酒杯、交互式幻灯片和下钻式故事等互动叙事模型，并通过自己的作品“消失的边界——新冠疫情交互式叙事可视化设计实践”展示了一个优秀的叙事设计案例。随后，龙教授全面介绍了交互设计的技术要点，包括网页交互支持、可视化网页中的交互方法和交互视觉元素的运用，为叙事可视化提供了实践指导。
“消失的边界”四个叙事篇章（Dust、Lights、Tears、Bloom）
来自天津大学的毕重科教授介绍了深度学习在科学可视化数据压缩的应用。在科学可视化中，巨大的数据规模一直制约着I/O传输以及存储过程的效率。现有工作通常采用降采样进行数据约减，其要么难以达到理想效果，要么会丢失数据中的细节结构信息。因此，毕重科教授将深度学习方法应用于该方向，并针对两个挑战进行了一系列研究。首先，为了应对大规模数据带来的高存储代价，毕教授给出了基于隐式神经网络表征方法。通过让模型基于分布信息进行自动适配的采样，能够在更好地记录数据中重要的部分，并省略不重要的部分，从而实现数据约减目标。另外，针对需要在数据约减的同时尽可能地保留细节结构信息的挑战，给出了基于超采样的数据压缩方法。通过超采样，数据的细节部分能够被很好地还原出来。
毕重科教授向观众讲述大规模科学数据产生的背景
最后的圆桌讨论由Yun Jang教授主持。六位嘉宾围绕三个话题展开了讨论：“数据可视化中以人为中心的设计——将用户放在第一位”，“从数据到洞见——交流信息的最佳方法”，以及“人工智能驱动的大规模数据可视化与故事叙述”。
Shibasaki首先就以用户为中心的设计展开讨论，他认为用户之间的差异性非常大，即使对于同一数据不同的用户可能会有不同的理解，所以针对用户的定制化是非常必要的。Yano博士结合自身经历补充道，系统交互会带来较高的系统复杂性，在定制化的系统中应尽可能简化交互。龙娟娟教授则从设计师的角度出发讨论了将用户放在第一位的重要性，她认为设计师不应该对用户作过多的假设，而是应该真正地与用户交流了解用户的需求。在如何使用可视化沟通信息的问题上，龙娟娟教授认为沟通应该从最简单的图表开始，并结合叙事技巧帮助用户理解，在沟通时应该保持简洁和专注。Park教授对此观点表示赞同，他认为在与领域专家交流信息时，使用经典图表是更好的选择，新颖的可视化形式反而容易让用户分心或迷失目标。在人工智能相关的话题上，Park教授认为人工智能在可视化中发展的一个重要方向就是帮助系统更好理解用户和帮助用户更好理解数据，最后，作为主持人的Yun Jang教授提出了科学可视化中人工智能方法通用化的问题，毕重科教授认为科学可视化的数据特殊性使得发展通用模型非常具有挑战。
在圆桌论坛之后，本次的中日韩可视化论坛落下了帷幕。最后，参与论坛的讲者和观众一起走上讲台合影留念。
中日韩可视化论坛参与者的合影
