Photo-Guided Exploration of Volume Data Features
Photo-Guided Exploration of Volume Data Features
复制标题
DOI：
10.2312/pgv.20171091
复制
发表时间：
2017-10
期刊：
影响因子：
--
通讯作者：
Mohammad Raji;Alok Hota;R. Sisneros;P. Messmer;Jian Huang
中科院分区：
文献类型：
--
作者：
Mohammad Raji;Alok Hota;R. Sisneros;P. Messmer;Jian Huang
在这项工作中，我们提出的问题，是否考虑定性信息，如样本目标图像作为输入，可以产生一个渲染图像的科学数据，是类似的目标。从我们的研究中产生的算法允许人们提出这样一个问题，即目标图像中的特征是否存在于给定的数据集中。通过这种方式，我们的方法是图像查询或逆向工程之一，而不是手动调整整个可视化管道的参数。对于目标图像，我们可以使用物理现象的真实照片。我们的方法利用了深度神经网络和进化优化。我们的方法使用经过训练的相似度函数来测量现象渲染与真实世界照片之间的差异，优化渲染参数。我们使用超级风暴模拟数据集和在线发现的图像证明了我们的方法的有效性。我们还讨论了我们的方法，这是运行在NCSA的蓝色沃茨并行实现。
In this work, we pose the question of whether, by considering qualitative information such as a sample target image as input, one can produce a rendered image of scientific data that is similar to the target. The algorithm resulting from our research allows one to ask the question of whether features like those in the target image exists in a given dataset. In that way, our method is one of imagery query or reverse engineering, as opposed to manual parameter tweaking of the full visualization pipeline. For target images, we can use real-world photographs of physical phenomena. Our method leverages deep neural networks and evolutionary optimization. Using a trained similarity function that measures the difference between renderings of a phenomenon and real-world photographs, our method optimizes rendering parameters. We demonstrate the efficacy of our method using a superstorm simulation dataset and images found online. We also discuss a parallel implementation of our method, which was run on NCSA's Blue Waters.