“ 2019年度VIS会议共遴选出3篇最佳论文，可视分析、信息可视化、科学可视化三个领域各1篇，今天阅读科学可视化领域的最佳论文《InSituNet: Deep Image Synthesis for Parameter Space Exploration of Ensemble Simulations》，作者包括俄亥俄州立大学计算机科学与工程系的Wenbin He、Junpeng Wang、Ko-Chih Wang、Han-Wei Shen，以及阿贡国家实验室数学与计算机科学系的Hanqi Guo、Mukund Raj、Youssef S. G. Nashed和Tom Peterka。”
1 发现问题
在处理大规模仿真时，由于I / O和存储限制，普遍采用原位可视化方法，以便在仿真时生成可视化结果。但是，原位可视化方法限制了事后探索的灵活性，因为原始的模拟数据不再可用。尽管已提出了多种基于图像的方法来减轻此限制，但这些方法缺乏探索仿真参数的能力。该论文针对原位可视化组合仿真参数的探索问题开展研究。
相关工作包括基于图像的原位可视化、参数空间探索、可视化深度学习等。
2 研究思路
提出InSituNet，这是一个基于深度学习的替代模型，可为在原位可视化的组合仿真提供参数空间探索支持。此方法利用深度学习的最新进展，可以灵活地探索大型组合仿真的参数空间。
具体来说，将InSituNet设计为卷积回归模型，以学习从“模拟和可视化参数”到“可视化结果”的映射。使用训练好的模型，用户可以在各种可视化设置下为不同的仿真参数生成新图像，从而可以对基础组合仿真进行深入分析。
针对燃烧、宇宙学、海洋模拟等场景，通过定量和定性评估证明InSituNet的有效性。
3 内容概览
论文包括四大核心部分。
3.1 框架概览
此文方法的工作流程如下图所示。包括三个核心模块。
（1）原位可视化，生成图像，形成图像数据库。此过程中包括3类参数：仿真、视觉映射、视图参数。
（2）训练InSituNet。学习从仿真输入到可视化输出之间的端到端映射。
（3）构建交互式可视化界面，浏览与分析参数。包括预测任意参数条件下的可视化结果，研究不同输入参数对可视化结果的敏感性。
3.2 收集原位训练数据
原位数据收集流程如下图所示。
3.3 InSituNet的架构与训练
从输入参数预测可视化图像的训练原理，如下图所示。
3.4 利用InSituNet期待参数空间探索
利用InSituNet进行参数空间探索，如下图所示。
4 创新点
提出一种深度图像合成模型（即InSituNet），可以对集合模拟进行事后参数空间探索。
设计了交互式视觉界面，用于探索和分析集成仿真的参数。
全面分析了InSituNet的不同超参数的影响，并为InSituNet的其他模拟应用提供了指导。
5 体会
原位可视化能够提升可视化效率，但是参数分析方面不太方便，这是一个需要平衡的难题。
更多数据可视化技术相关文章，欢迎关注微信公众号【数据印像】。
