因为最近工作的关系，需要研究一下IEEE VIS中2017年以后的与我之前主要方向（体渲染、医学可视化）有关的论文。我把这些年全部的论文进行了筛选和梳理，总共筛选出57篇论文，打算写一个文章来记录这些内容。这个栏目是2020年的5篇论文的介绍。
第一篇：
Volumetric Isosurface Rendering with Deep Learning-Based Super-Resolution
Authors: Sebastian Weiss, Mengyu Chu, Nils Thuerey, Rüdiger Westermann
在体场中渲染等值面的精确图像通常需要大量的数据样本。减少所需样本的数量是体绘制研究的核心。随着深度学习网络的出现，最近提出了许多架构来推断多维领域中的缺失样本，用于图像超分辨率和扫描完成等应用。在本文中，我们研究了使用这种架构来学习将等值面的低分辨率采样提升到更高分辨率，并对空间细节和阴影进行高保真重建。我们引入了一种全卷积神经网络，以学习从低分辨率法线和深度场生成平滑、边缘感知法线场和环境遮挡的潜在表示。通过在学习阶段添加帧到帧的运动损失，升级可以考虑时间变化，并实现改进的帧到帧一致性。我们展示了训练过程中从未见过的等值面的网络质量，并讨论了远程和现场可视化以及焦点+上下文可视化作为潜在应用。
（将会附带详细解读）
第二篇：
Direct Volume Rendering with Nonparametric Models of Uncertainty
Authors: Tushar Athawale, Bo Ma, Elham Sakhaee, Chris R. Johnson, Alireza Entezari
我们提出了一个非参数统计框架，用于直接体绘制（DVR）中数据不确定性的量化、分析和传播。最先进的统计DVR框架允许在可视化不确定数据时保留ground truth函数的传输函数（TF）；然而，现有的框架仅限于不确定性的参数模型。在本文中，我们通过将DVR框架扩展到非参数分布来解决现有DVR框架的局限性。我们利用分位数插值技术来导出表示以闭合形式查看射线样本强度时的不确定性的概率分布，这允许进行准确有效的计算。我们通过与平均场和参数统计模型（如均匀和高斯以及高斯混合）的定性和定量比较来评估我们提出的非参数统计模型。此外，我们还将最先进的渲染参数框架扩展到2D TF，以改进DVR分类。我们展示了我们的不确定性量化框架对标量场数据集的集合、下采样和二变量版本的适用性。
（将会附带详细解读）
第三篇：
Deep Volumetric Ambient Occlusion
Authors: Dominik Engel, Timo Ropinski
我们提出了一种新的基于深度学习的技术，用于在直接体绘制的背景下进行体环境遮挡。我们提出的深度体环境遮挡（DVAO）方法可以预测体数据集中的每体素环境遮挡，同时考虑通过传输函数提供的全局信息。所提出的神经网络只需要在该全局信息发生变化时执行，因此支持实时体积交互。因此，我们展示了DVAO预测体积环境遮挡的能力，从而可以在直接体积渲染中交互应用。为了获得尽可能好的结果，我们提出并分析了深度神经网络的各种传递函数表示和注入策略。基于所获得的结果，我们还提出了适用于类似批量学习场景的建议。最后，我们表明，尽管DVAO仅在计算机断层扫描数据上进行训练，但它可以推广到各种模式。
（将会附带详细解读）
第四篇：
Homomorphic-Encrypted Volume Rendering
Authors: Sebastian Mazza, Daniel Patel, Ivan Viola
计算要求高的任务通常在专用数据中心进行计算，实时可视化也遵循这一趋势。然而，有些渲染任务需要最高级别的机密性，因此除了所有者之外，其他任何一方都无法读取或查看敏感数据。在这里，我们提出了一种直接体绘制方法，通过使用同态Paillier加密算法直接对加密的体数据执行体绘制。这种方法确保了体积数据和渲染图像对渲染服务器是无法解释的。我们的体绘制管道引入了加密数据合成、插值和不透明度调制的新方法，以及简单的传递函数设计，其中每个例程都保持了最高级别的隐私。我们介绍了与我们的隐私保护方案相关的性能和内存开销分析。我们的方法在设计上是开放和安全的，而不是通过默默无闻来确保安全。数据所有者只需对其安全密钥保密，即可保证其体积数据和渲染图像的隐私。据我们所知，我们的工作是第一种保护隐私的远程体积渲染方法，不需要任何相关服务器都是可信的；即使在服务器被泄露的情况下，也不会有敏感数据泄露给外国。
第五篇：
FAVR - Accelerating Direct Volume Rendering for Virtual Reality Systems
Authors: Andre Waschk, Jens Krueger
近年来，使用坚固且价格合理的头戴式显示器（HMD）系统，虚拟现实（VR）已经变得容易获得。最近提出了几种基于虚拟现实的科学可视化解决方案，但直接体绘制（DVR）仅在少数虚拟现实应用中被考虑。我们将此归因于DVR的高计算需求和VR系统可用的有限渲染预算。对于DVR这样的高度碎片绑定的方法来说，实现VR所必需的非常高的更新率是具有挑战性的。我们提出了一种加速技术，旨在利用HMD系统的特定特性。我们使用了一种基于HMD的镜头失真和人眼视觉感知的自适应渲染方法。我们的实现降低了DVR的渲染成本，同时提供了与标准渲染技术无法区分的体验。
（将会附带详细解读）
