![]()
前不久，计算机领域的可视化顶级国际会议 IEEE VIS (CCF-A类会议) 公布了2022年的最新论文评审结果，iDVX实验室共有4篇有关智能可视化及信息传达设计的论文被大会接收，并受邀发表口头报告，所有论文将被收录在CCF A类期刊 IEEE Transactions on Computer Graphics and Visualization 之中。这些论文围绕智能信息传达设计，从交互、视觉呈现、创作工具多个方面做出创新，其中两篇石洋老师领衔完成的论文获得了最佳论文提名奖。
探索可视化叙事中“打破第四面墙”的交互范式
（Honorable Mention）
为了支持用户更好地探索数据，交互被越来越多地用到数据故事当中，而“打破第四面墙”的交互模式可以在读者和数据故事之间建立更深层次的联系。在《Breaking the Fourth Wall of Data Stories through Interaction》一文中[1]，我们通过将数据叙事与传统戏剧手法融合，探索了数据故事中常用的“打破第四面墙”的交互模式。本文做出了两项创新：（1）提出一种编码框架，将交互看作是读者和互动数据故事之间的一种对话，从读者的输入信息和故事的反馈输出两个维度对收集的案例进行编码：使用信息层次DIKW模型对用户输入进行分析，运用EIPR故事结构对故事反馈进行解构；（2）通过编码结果总结六种常用的交互模式，并通过用户实验验证了这些模式对设计交互式数据故事的借鉴作用。
通过视觉风格迁移实现丰富的象形图设计
（Honorable Mention）
象形图会以形象化的信息描绘数据，使得用户更加容易理解可视化。虽然之前对于象形图的研究已经开发了一些象形图创作工具或生成系统，但它们的方法仅限于特定的可视化类型和模板。在《Supporting Expressive and Faithful Pictorial Visualization Design with Visual Style Transfer》一文中[2]，我们提出了一个象形图设计工具Vistylist，该工具通过视觉⻛格迁移强化了象形图的创作。具体来讲，该工作做出了以下创新：（1）收集了1371个高质量象形图构成可视化数据集，并总结了基于可视化类型和数据绑定类型的22种象形图设计模式；（2）开发了一个象形图设计工具Vistylist，通过将源象形图的视觉风格与数据内容拆分开来，并将风格转移到新的象形图中，从而促进象形图生动且准确的设计。
人机协作下的可视化叙事智能设计创作系统
（Calliope 的姊妹篇）
数据故事是叙事可视化的一种形式，用于更为高效的信息沟通与交流。但数据故事的创作需要用户掌握数据分析，叙事，及可视化等多方面的技能，因此带来了技术门槛。数据故事的创作对普通用户来说会是格外困难的。在《Erato: Cooperative Data Story Editing via Fact Interpolation》一文中[3]，我们延续了之前在 Calliope 系统[5]上的研究工作，进一步对人机协作下如何生成丰富且流畅的数据故事展开了相关探索，并做出了两项独一无二的创新：（1）率先提出了融入语意信息的可视化图表表示学习模型，并利用用户创作的数据故事训练并构建了相应的预训练模型；（2）提出了针对数据故事内容的插值算法，为智能化的数据内容创作提供了又一利器。
使用深度学习探索多视图可视化的交互推荐
（与复旦大学联合打造智能交互新技术）
交互是在交互式可视化系统中用户发现洞察的重要渠道。然而，对于第一次面对多视图可视化的用户来说，操作哪些交互以及探索哪部分的数据是一个难题。《Diverse Interaction Recommendation for Public Users Exploring Multi-view Visualization using Deep Learning》[4] 一文是IDVX实验室联合复旦大学陈思明研究员团队共同完成的，团队提出了一种智能化的交互推荐方法，可以为新用户提供多样的、富有洞察力的和实时的交互建议。该方法基于⻓短期记忆模型（LSTM）结构，论文所提出的模型能够捕获用户的交互和视觉状态，并提出进一步的交互建议。交互推荐的工作流程说明
[1] Yang Shi, Tian Gao, Xiaohan Jiao, Nan Cao, Breaking the Fourth Wall of Data Stories through Interaction, IEEE TVCG (IEEE VIS 2022).
[2] Yang Shi, Pei Liu, Siji Chen, Mengdi Sun, Nan Cao, Supporting Expressive and Faithful Pictorial Visualization Design with Visual Style Transfer, IEEE TVCG (IEEE VIS 2022).
[3] Mengdi Sun, Ligan Cai, Weiwei Cui, Yanqiu Wu, Yang Shi, Nan Cao, Erato: Cooperative Data Story Editing via Fact Interpolation, IEEE TVCG (IEEE VIS 2022).
[4]Yixuan Li, Yusheng Qi, Yang Shi, Qing Chen, Nan Cao, Siming Chen, Diverse Interaction Recommendation for Public Users Exploring Multi-view Visualization using Deep Learning, IEEE TVCG (IEEE VIS 2022).
[5]Danqing Shi, Xinyue Xu, Fuling Sun, Yang Shi, Nan Cao, Calliope: Automatic Visual Data Story Generation from a Spreadsheet, IEEE TVCG (IEEE InfoVis 2020)
关注实验室公众号，了解更多招生及教学动态
![]()
