圣母大学可视化实验室: 研究概况、国际合作及成果

视觉信息学4（2020）63圣母大学可视化实验室王超丽Department of Computer Science Engineering，University of Notre Dame，Notre Dame，IN 46556，United Statesar t i cl e i nf o文章历史记录：2020年9月11日网上发售a b st ra ct本文介绍了美国圣母大学计算机科学工程系可视化实验室的概况、研究方向、设备和国际合作情况©2020作者（S）。由爱思唯尔公司出版我代表浙江大学和浙江大学出版社有限公司这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 概述圣母大学位于印第安纳州北部，由爱德华·索林牧师于1842年创立。在过去的175年里，圣母大学已经成为美国首屈一指的大学之一。该大学以其天主教身份，风景优美的环境，足球课程，本科教育和校友网络而闻名。在圣母大学VisLab处于可视化研究的最前沿。根据CSRankings（匿名，2020年a），圣母院排名前20位的机构之一根据2015年至2020年的IEEE VIS会议出版物。王教授他发表了90多篇同行评审的期刊和会议论文，包括20多篇IEEE Transactions on Visualization and Computer Graphics（TVCG）期刊和IEEE VIS会议论文。他的研究主要得到美国国家科学基金会（NSF）的支持。自2009年以来，他一直担任首席研究员（PI）或10个NSF赠款的共同PI。王教授已获得六个博士学位。两个硕士 学生他的学生获得了四个最佳论文和荣誉奖，三个大学完成奖学金，一个院长目前，VisLab拥有5名博士。学生（包括三名共同建议的博士，学生），一个MS。学生和五名本科生。chaoli.wang @ nd.edu。https://doi.org/10.1016/j.visinf.2020.09.0012. 当前的研究方向VisLab目前的研究方向包括机器学习可视化、流可视化、时变多变量数据可视化、可视化分析和教育可视化。2.1. 机器学习可视化随着深度学习的出现，人工智能作为解决具有挑战性的计算机视觉和自然语言处理问题的可行解决方案的复兴迅速席卷了各种科学和工程领域。科学数据分析和可视化中的许多问题与图像或视频处理有着内在的相似性，这使得深度神经网络成为有效解决科学可视化问题的有希望的候选者。在研究这项研究的先驱者中，VisLab的成员瞄准了最常从科学模拟中产生的3D标量和矢量数据。在这些情况下，由于数据存储和移动的严格限制，科学家通常只能以简化形式我们的目标是使用深度学习方法来增强这些简化的图像数据增强是指一种技术，人工创建新的训练数据从现有的训练数据，通过裁剪，翻转，和扭曲等，相反，我们定义的数据增强在我们的上下文中作为空间，时间和可变的细节，以减少数据通过合并来自内部和外部来源的信息。与现有的科学工作流程，我们的目标是亲-提供一种替代方案，以增强领域科学家我们在现场输出简化的模拟数据如图1，我们目前沿着这个方向的研究包括时变数据的空间和时间超分辨率（Han和2468- 502 X/©2020作者。由爱思唯尔公司出版代表浙江大学和浙江大学出版社。这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表视觉信息学期刊主页：www.elsevier.com/locate/visinfC. 王视觉信息学4（2020）6364Fig. 1. 深度学习解决方案概述（a）时变数据的时间超分辨率（Han和Wang，2020 a），（b）变量选择和转换对 于 多变量时变数据（Hanet al. ，2021），（c）矢量场数据的空间超分辨率（Guoet al. ，2020），和（d）使用流线的矢量场重建（Hanet al. ，2019）。图二. （a）大脑中动脉一个终末动脉瘤附近的血流（Taoet al. ，2016 a）。(b)作为简化的数据表示，流线是用于通过矢量数据重建分析超导性的快速变化的电磁特性（Hanet al. ，2019）。(c)流线和曲面描 绘 了程序生成的龙卷风的漩涡和扭曲模式（Tao和Wang，2016）。(d)飞机翼尖的两个漩涡，追踪着尾涡（Hanet al. ，2020年）。Wang，2020 b，a），多变量时变数据的变量选择和转换（Hanet al. ，2021），矢量场数据的超分辨率（Guo et al. ，2020）和使用流线的矢量场重建（Han et al. ，2019）。除了数据增强，我们还对利用卷积神经网络（CNN）和图神经网络（GNN）从科学数据中进行表示学习感兴趣。这些框架是通用的和强大的，能够学习潜在的特征描述符隐式从体积和表面数据，消除了显式的功能工程的需要学习的数据和特征表示可以用于后续任务，例如降维、交互式聚类和代表性选择（Han etal. ，2020; Porter等人，2019）。2.2. 流动显示了解大而复杂的三维流场是非常重要的，在许多空气动力学和流体动力学系统，支配各种物理和自然现象。研究这些系统的应用程序，如计算流体动力学（CFD），汽车和飞机设计，自然灾害建模（例如，地震、飓风、龙卷风）产生大量需要分析和可视化的矢量场数据大多数流体（空气、水等）是透明的，因此它们的流动模式对我们来说是不可见的。流动可视化使流动模式可见，以便我们可以直观地获得定性和定量的流动信息。图2显示了我们的研究产生的流动可视化的例子。在NSF CAREER资助的支持下，VisLab开展了一系列研究工作，通过提出分析和探索流线的新解决方案（例如，流线、路径）。这些工作包括：（1）基于信息论（Ma et al. ，2013 a; Taoet al. ，2013），（2）从流线提取特征用于分割和相似性分析（Li et al. ，2014，2015），（3）从流线中创建鲁棒的视觉字符和单词用于形状分析和组织（Tao et al. ，2014年，2016年b），（4）引入界面和交互，用于直观检索部分流线（陶等人）。，2014年，2016年b）和分层流线及其时空关系的检查（马等。，2013 b，2014 a; Tao et al. ，2018年），和（5）设计流线重新定位的重点+上下文查看（陶等人。，2014 b）和自动巡视检查隐藏或闭塞的流动特征（Ma et al. ，2014b，2019）。对于流行的基于集成的流视技术基于线的技术取得了重大进展C. 王视觉信息学4（2020）6365图三. （a）一种从基于图形的表示中自动提取有意义特征的挖掘方法，用于探索时变体积数据（Gu等人，2016年）。(b)使用等值面相似性图的矩阵以及与路径对应的四个动画帧的可变遍历路径（Tao et al. ，2019）。见图4。 （a）iGraph，用于探索在24块显示墙上运行的MIR Flickr数据集（Gu et al. ，2015，2017 a）。(b)用于组织眼动追踪数据的ETGraph为了说明阅读模式（Guet al. ，2017 b）。（ c）HoNVis用于调查全球海运网络的 高 阶 依 赖 关 系 （Tao et al. ，2017年）。多年来，与基于表面的技术形成了鲜明的对比。流动表面可以提供比流线更好的说明能力和更好的可视化。然而，现有的基于表面的流动可视化方法仍然面临着表面选择，可视化和分析的实质性挑战，需要创造性的想法和新颖的解决方案。 最近，我们提出了一个基于草图的界面，用于半自动流表面生成（Tao和Wang，2016，2018）。VisLab正在开发一种机器学习辅助视觉分析方法，用于理解3D复杂流面。利用来自深度学习、形状分析和视觉分析的技术，我们的目标是开发一个新的框架，该框架支持（1）通过由GNN驱动的特征学习、投影和聚类来选择代表性表面，（2）通过基于原则的词汇表的方法来探索表面模式，用于形状不变的部分流表面查询和匹配，和（3）通过河流般的视觉隐喻研究播种敏感性的流动表面的比较分析。2.3. 时变多元数据可视化许多科学模拟产生随时间变化的多变量体积数据，这些数据可以跨越数百或数千个时间步长，并由数十个变量组成。此外，集合数据集如今是常见的，其中模拟在具有不同配置的多次运行中进行。这导致要研究的数据量成倍增加。理解这类数据中的潜在物理现象通常需要通过观察发现关键的见解。这种需求将时变多变量数据的分析和可视化置于科学可视化的核心。图3显示了我们的研究中生成的时变多变量数据可视化的示例。时变多变量数据可视化是王教授博士研究的重点。research.当时，该研究的重点是以多分辨率的方式组织数据，以支持高效和有效的检索和渲染（Wang和Shen，2004; Wang et al. ，2005;Wang and Shen，2005，2006; Wang et al. ，2007）。后来的重点转移到统计，相关性，重要性和影响分析和可视化（Wang和Ma，2008年; Wang等人，2008年）。，2008; Sukharev et al. ，2009; Gu and Wang，2010; Chen et al. ，2011; Wang et al. ，2011）以及将高维时空数据转换成用于视觉推理、挖掘和分析的抽象视图（Gu和Wang，2011，2013; Gu et al. ，2016; Tao等人，2016 a）。VisLab正在研究总结等值面、时间步长和变量的代表性选择，以支持有效的视觉探索和对大规模时变多变量数据集的理解（Imre et al. ，2017，2018; Tao et al. ，2019; Porter etal. ，2019）。本研究将采用深度学习技术进行表征学习。2.4. 可视化分析可视化分析通过交互式可视化界面实现分析推理，并作为可视化研究中增长最快的分支而受到欢迎，因为它适用于各种各样的领域和应用程序。自2015年以来，VisLab已经应用可视化分析技术来探索大型图像和文本集合（Gu et al. ，2015，2017a）、眼动追踪数据（Guet al. ，2017 b），全球远洋运输网络（陶等人。，2017）、会议导航数据（Bailey et al. ，2018），课程点击流和学生表现数据（Goulden et al. ，2019; Deng et al. ，2019）和蚂蚁运动数据（Huet al. ，2020年）。图4展示了我们的可视化分析研究工作的VisLab的成员与Notre Dame Learning的科学家、设计师和工程师合作，C. 王视觉信息学4（2020）6366图五. （a）FlowVisual桌面和（b）FlowVisual应用程序的用户界面显示了用于流线跟踪和2D动画流线可视化的耙式播种3D分别。（c）GraphVisual的网络界面以两种不同的布局显示同一图形数据集学习分析研究。我们的目标是双重的。首先，我们的目标是确定并帮助缩小由于学生背景和大学水平的科学，技术，工程和数学（STEM）网关课程准备的差异而导致的学业成绩差距。其次，我们的目标是分析STEM网关课程表现对下游必修课程的影响，并确定学术成功的共同途径。研究成果预计将有利于主要利益相关者，包括学生，教师，顾问和管理人员。2.5. 教育中的可视化可视化已成为分析从跨越许多STEM领域的各种应用程序生成的数据的不可或缺的手段。随着越来越多的高校重视数据科学和以人为中心的计算的研究和教育，在课程中增加数据可视化课程成为一种发展趋势。随着这一趋势的发展，人们迫切需要高质量的课程材料，以帮助教授可视化知识和培训未来的STEM劳动力。虽然可视化研究已经发展了30年，但可视化教育却滞后了：可视化教科书在过去十年才开始出现，并且辅助数据可视化教学和学习的教学软件工具很少。沿着教育可视化的方向，Vis- Lab拟议的工具包包括 四个工具：VolumeVisual、FlowVisual、GraphVisual和TreeVisual。它们共同涵盖了科学可视化中的标量和矢量场可视化以及信息可视化中的图形和树绘制。试点FlowVisual工具（Wang et al. ，2013，2016）已被证明是成功的：自2013年以来，该网站已被访问22，000+次，该工具已被下载1700+次。图图5（a）和（b）显示了FlowVisual桌面和应用程序版本的界面。GraphVisual（Imre et al. ，2020）最近完成了其开发和部署。图5（c）显示了GraphVisual的Web界面。VisLab正在开发VolumeVisual和TreeVisual。3. 设施VisLab的成员可以进入圣母院中心研究计算（CRC）CRC是开放科学网格的成员，也是西北印第安纳计算网格的所在地，该网格是由包括阿贡国家实验室、普渡大学和圣母大学在内的研究机构组成的联盟。CRC提供以下服务和资源，以支持圣母院和当地社区的研究和教育：计算资源：各种体系结构的系统中有超过25，000个CPU核心，并与相关的磁盘系统互连，用于短期存储;存储资源：大约3 PB的数据存储，包括用于高性能数据存储的磁盘系统和用户空间数据存储以及用于长期存储的磁带系统;专用资源：可视化系统、虚拟主机系统、原型架构和高吞吐量计算基础设施;以及• TeraGrid和Open Science Grid的接口王教授是NSF CRI基金的共同PI，我们在该基金中申请了一个用于计算机科学研究的GPU集群。该集群的第一个版本已于2016年10月启动并运行，其中包括八台Quantum TXR 231 - 1000 R服务器，配备双核IntelXeon 12核CPU E5-2650 v4@2.20 GHz，128 GB RAM和四个NVIDIA Titan Xp GPU加速器;八台Quantum TXR 231 - 1000 R服务器，配备双核IntelXeon 12核CPU E5-2650 v4@2.20 GHz、128 GB RAM和四个NVIDIA Tesla P100 GPU加速器。2018年秋季升级包括三个NVIDIA Titan Xp和两个NVIDIA TeslaV100 GPU加速器，进一步提升了深度学习算法的性能。GPU集群通过发现以前无法实现的新算法和方法、孵化新的研究项目以及加强计算机科学家与其他学科同行之间的多学科合作，VisLab的成员是此GPU集群的活跃用户4. 国际协作VisLab得到了圣母大学Luksic家庭合作资助计划、全球合作倡议计划和亚洲研究合作资助计划的支持。VisLab的成员与海外机构合作，包括智利天主教大学、中国科学院、浙江大学、山东大学、中山大学和慕尼黑工业大学。这些合作努力产生了13篇论文（11篇已发表，2篇正在审查）。自2016年以来，VisLab已通过Notre Dame的国际暑期本科生研究体验（iSURE）计划和Naughton Fellowships计划接待了来自中国和爱尔兰领先大学的20名本科生，参与各种暑期研究项目。这些共同努力导致了十篇论文（八篇已发表，包括一篇获奖论文，两篇正在审查中）。这些本科生中的许多人后来在哥伦比亚卡内基梅隆大学等美国著名大学·····C. 王视觉信息学4（2020）6367加州大学伯克利分校、剑桥大学、伊利诺伊大学香槟分校竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作致谢本文所述的研究工作得到了美国政府的支持。国家科学基金会通 过 资 助 IIS- 1017935 、 CNS-1229297 、 IIS-1456763 、 IIS-1455886、CNS-1629914、DUE-1833129和IIS-1955395。引用匿名，2020年a。CSrankings：计算机科学排名。http://csrankings.org/网站。匿名，2020年b。VisVisual。https://sites.nd.edu/chaoli-wang/visvisual/网站。贝利，S. M.，Wei，J.A.，Wang，C.，中国地质大学，Parra，D.，Brusilovsky，P.，2018. CNVis：一个基于Web的可视化分析工具，用于探索会议导航数据。在：会议的IS T可视化和数据分析。pp. 376-1-376-11.陈春，越-地K.，Wang，C.，中国地质大学，妈，K L.，Wittenberg，A.T.，2011.大型时变体数据的静态相关可视化。在：IEEE太平洋可视化研讨会论文集。pp.27比34邓，H.，王，X.，郭志，Decker，A.，段，X. Wang，C.，中国地质大学，安布罗斯，佐治亚州，Abbott，K.，2019. Performancevis：从介绍化学课程的学生表现数据的可视化分析。目视INF. 3（4），166Goulden，M.C.，Gronda，E.，杨，Y.，张志，Tao，J.，Wang，C.，中国地质大学，段，X.安布罗斯，佐治亚州，Abbott，K.，米勒，P.，2019. CCVis：使用课程点击流数据对学生在线学习行为进行可视化分析。在：会议的IS T可视化和数据分析。pp. 681-1-681-12顾，Y.，Wang，C.，中国地质大学，2010.科学体数据的阶层相关聚类研究在：国际视觉计算研讨会论文集。pp. 四三七四四六顾，Y.，Wang，C.，中国地质大学，2011. Transgraph：时变体积数据中过渡关系的分层探索。IEEE Trans. Vis. Comput. Graphics17（12），2015-2024.顾，Y.，Wang，C.，中国地质大学，2013年。iTree：使用可索引树探索时变数据在：IEEE太平洋可视化研讨会论文集pp. 137-144。顾，Y.，Wang，C.，中国地质大学，比克斯勒河，D'Mello，S.，2017年b月。ETGraph：一种基于图形的方法，用于眼动追踪数据的可视化分析。Comput.Graph. 62（1），1顾，Y.，Wang，C.，中国地质大学，妈，杰，Nemiroff，R.J.， Kao，D.L.， 2015.iGraph：一种基于图形的技术，用于图像和文本集合的可视化分析。在：会议的IS T/SPIE可视化和数据分析。pp. 939708-1-939708-15.顾， Y.，Wang ，C.， 中国地 质大 学， 妈， 杰， Nemiroff， R.J.， Kao， D.L.，Parra，D.，2017年a。大型图像和文本集合的可视化和推荐，以实现有效的意义构建。INF. 目视16（1），21顾，Y.，Wang，C.，中国地质大学，Peterka，T.，雅各布河，金，S. H.，2016.挖掘图形以了解时变体积数据。IEEE Trans. Vis. Comput. Graphics 22（1），965-974.Guo，L.，中国科学院，叶，S.，汉，J.，郑洪，高，H.，Chen，D.Z.，王建- X.，Wang，C.，中国地质大学，2020年。SSR-VFD：用于矢量场数据分析和可视化的空间超分辨率。在：IEEE太平洋可视化研讨会论文集。pp. 71-80.汉，J.，Tao，J.，Wang，C.，中国地质大学，2020. FlowNet：用于流线和流表面的聚类和选择的深度学习框架。IEEE Trans. Vis. Comput. Graphics 26（4），1732-1744.汉，J.，Tao，J.，郑洪，郭，H.，Chen，D.Z.，Wang，C.，中国地质大学，2019年。通过使用深度学习从3D流线重建矢量数据来减少流场。IEEE计算Graph.Appl. 39（4），54汉，J.，Wang，C.，中国地质大学，2020年a。TSR-TVD：用于时变数据分析和可视化的时间超分辨率。IEEE Trans. Vis. Comput. Graphics 26（1），205-215.汉，J.，Wang，C.，中国地质大学，2020年b。SSR-TVD：用于时变数据分析和可视化的空间超分辨率。IEEE Trans. Vis. Comput.小版本下的图形。汉，J.，郑洪，Xing，Y.，中国科学院，Chen，D.Z.，Wang，C.，中国地质大学，2021. V2V：一种用于多变量时变数据的变量到变量选择和转换的深度学习方法。IEEE Trans.目视Comput. Graphics 27（2）（印刷中）。Hu，T.，郑洪，Liang，C.，中国地质大学，Zhu，S.，Imirzian，N.，张玉，Wang，C.，中国地质大学，休斯，D. P.，Chen，D.Z.，2020. Antvis：一个基于网络的可视化分析工具，用于探索蚂蚁运动数据。目视Inf. 40（1），58-70.Imre，M.，Chang，W.，王，S.，Trinter，C.P.，Wang，C.，中国地质大学，2020.GraphVisual：设计和评估基于Web的可视化工具，用于教学和学习图形可视化。在：美国工程教育学会年会论文集，页。28.501.1-28.501.15.Imre，M.，Tao，J.，Wang，C.，中国地质大学，2017.高效的GPU加速等值面相似性图计算。在：IEEE太平洋可视化研讨会论文集。可视化注释。pp. 180-184Imre，M.，Tao，J.，Wang，C.，中国地质大学，2018.识别体积数据集的近似等距等值面。Comput. Graph. 72，82李，Y.，Wang，C.，中国地质大学，Shene，C.- K.，2014.使用特征袋简化相似性分析。在：会议的IS T/SPIE可视化和数据分析。pp. 90170N-1-90170N-12。李，Y.，Wang，C.，中国地质大学，Shene，C.- K.，2015.通过监督流线分割提取流动特征。Comput. Graph. 52，79妈，杰，Tao，J.，Wang，C.，中国地质大学，Li，C.，Shene，C.- K.，金，S.H.，2019.随流移动：非定常流场的自动游览。J. 目视22（6），1125妈，杰，Walker，J.，Wang，C.，中国地质大学，库尔公司，Shene，C.- K.，2014年b。FlowTour：探索内部流特征的自动指南。在：IEEE太平洋可视化研讨会论文集。pp. 25比32妈，杰，Wang，C.，中国地质大学，Shene，C.- K.，2013.重要性驱动流动显示的相干视相关流线选择。在：会议的IS T/SPIE可视化和数据分析。pp. 865407-1-865407-15。妈，杰，Wang，C.，中国地质大学，Shene，C.- K.，2013. FlowGraph：用于流场探索的复合层次图。在：IEEE太平洋可视化研讨会论文集。pp. 233-240。妈，杰，Wang，C.，中国地质大学，Shene，C.- K.，姜杰，2014年a。一个基于图形 的 界 面 ， 用 于 3D 流 线 和 路 径 的 可 视 化 分 析 。 IEEE Trans. Vis. Comput.Graphics20（8），1127-1140.波特，W.P.，Xing，Y.，中国科学院，von Ohlen，B.R.，汉，J.，Wang，C.，中国地质大学，2019.一种为时变多变量数据选择代表性时间步长的深度学习方法。在：IEEE VIS会议论文集（短论文）。pp. 131比135Sukharev，J.，Wang，C.，中国地质大学，妈，K L.，Wittenberg，A.T.，2009.时变多变量气候数据集的相关性研究。在：IEEE太平洋可视化研讨会论文集。pp.161比168Tao，J.，黄，X.，Qiu，F.，Wang，C.，中国地质大学，姜杰，Shene，C.- K.，赵玉 ， Yu ， D.， 2016 年 a 。 VesselMap ： 探 索 多 变 量 血 管 数 据 的 网 络 界 面 。Comput. Graph. 59，79-92。Tao，J.，Imre，M.，Wang，C.，中国地质大学，Chawla，N.V.，郭，H.，塞弗，G.，金，S. H.，2019. 利用等值面相似性映射矩阵探索时变多元体数据。IEEETrans.目视Comput. Graphics 25（1），1236Tao，J.，妈，杰，Wang，C.，中国地质大学，Shene，C.- K.，2013.三维流场可视化流线选择和视点选择 的统一方法。IEEE Trans. Vis. Comput. Graphics 19（3），393-406.Tao，J.，Wang，C.，中国地质大学，2016.剥离流：基于草图的界面，用于生成流曲面。ACM SIGGRAPH Asia Symposium on Visualization. pp. 141148Tao，J.，Wang，C.，中国地质大学，2018.通过草绘半自动生成流表面。IEEETrans.目视Comput. Graphics 24（9），2622Tao，J.，Wang，C.，中国地质大学，Chawla，N.V.，Shi，L.，美国，金，S. H.，2018.语义流图：用于发现流场中对象关系的框架。IEEE Trans. Vis. Comput.Graphics 24（12），3200-3213.Tao，J.，Wang，C.，中国地质大学，Shene，C.- K.，2014. FlowString：使用形状不变相似性度量进行探索性流动可视化的部分流线匹配。 在：IEEE太平洋可视化研讨会论文集pp. 9比16Tao，J.，Wang，C.，中国地质大学，Shene，C.- K.，金，S. H.，2014年b。焦点+上下文流可视化的变形框架。IEEE Trans. Vis. Comput. Graphics 20（1），42-55.Tao，J.，Wang，C.，中国地质大学，Shene，C.- K.，肖，R.A.，2016年b。部分流线匹配和探索性流动显示的词汇表方法。IEEE Trans. 目视Comput. Graphics 22（5），1503Tao，J.，徐，J，Wang，C.，中国地质大学，Chawla，N.V.，2017. HoNVis：可视化和探索- 高阶网络。在：IEEE太平洋可视化研讨会论文集。pp. 1-10。Wang，C.，中国地质大学，高，J.，Li，L.，沈，H.- W.，2005.大规模时变数据可视化的多分辨率体绘制框架。在：欧洲图形/IEEE VGTC研讨会卷图形的会议记录。pp.11比19Wang，C.，中国地质大学，加西亚，A.，沈，H.- W.，2007.使用基于图像的质量度量 进 行 大 体 积 可 视 化 的 交 互 式 细 节 层 次 选 择 。 IEEE Trans. Vis. Comput.Graphics 13（1），122-134.Wang，C.，中国地质大学，妈，K L.，2008.体数据质量评估的统计方法。IEEETrans.目视Comput. Graphics 14（3），590Wang，C.，中国地质大学，沈，H.- W.，2004.基于小波时空划分树的大规模时变数据绘制框架。Tech.代表：（OSU-CISRC-1/04-TR 05），计算机和信息科学系，俄亥俄州立大学。C. 王视觉信息学4（2020）6368Wang，C.，中国地质大学，沈，H.- W.，2005.分层导航界面：利用多个协调视图实现大型科学数据集的细节层次多分辨率体绘制。在：信息可视化国际会议的会议记录。pp. 259-267。Wang，C.，中国地质大学，沈，H.- W.，2006. LOD地图-一个用于导航多分辨率体可视化的可视化界面。IEEE Trans. Vis. Comput. Graphics 12（5），1029-1036.王 ， M. ， Tao ， J. ， 妈 ， 杰 ， 沈 ， Y. ， Wang ， C. ， 中 国 地 质 大 学 ， 2016.FlowVisual ： 一 个 可 视 化 应 用 程 序 ， 用 于 教 学 和 理 解 3D 流 场 概 念 。 In ：ProceedingsIT可视化和数据分析会议pp. 476-1-476-10王，M.，Tao，J.，Wang，C.，中国地质大学，Shene，C.- K.，金，S. H.，2013.FlowVisual：设计和评估用于教授2D流场概念的可视化工具。美国工程教育学会年会论文集。pp. 23.609.1-23.609.20.Wang，C.，中国地质大学，余，H.，灌浆，R.W.，妈，K L.，Chen，J.H.，2011.分析时变多元数据中的信息传递。在：IEEE太平洋可视化研讨会论文集。pp. 99比106Wang，C.，中国地质大学，余，H.，妈，K L.，2008.重要性驱动的时变数据可视化。IEEE Trans.目视Comput. Graphics 14（6），1547