周亮团队提出的集合数据可视化新方法被PacificVis 2026--TVCG Journal Track录用
时间：2025-12-25 09:56:02来源：
点击数：
近日，北京大学健康医疗大数据国家研究院周亮团队题为“Probabilistic Inclusion Depth for Fuzzy Contour Ensemble Visualization”的研究论文，被2026亚太可视化大会PacificVis 2026--TVCG Journal Track正式录用（录用率19%），即将发表在可视化与计算机图形学领域顶级期刊 IEEE Transactions on Visualization and Computer Graphics (TVCG) 。TVCG 是计算机图形学与可视化领域的顶级期刊，CCF-A 类期刊，主要发表可视化、计算机图形学及虚拟现实等方向的最新高水平研究成果。
本研究针对集合（ensemble）数据分析中的不确定性难题，提出了一种全新的概率包含深度（Probabilistic Inclusion Depth, PID）。该方法突破了传统深度计算方法仅能处理二值掩膜（binary masks）的局限，实现了对模糊轮廓（fuzzy contours）的直接深度计算，并通过高效近似算法与并行计算大幅提高了计算效率，为大规模三维模糊轮廓集合数据的可视分析提供了高效的新工具（图1）。图1：团队提出的概率包含深度方法PID应用于由N个成员构成的三维烟雾模拟集合的处理过程。目前，在医学影像、科学模拟等领域，深度学习模型的输出通常包含不确定性，如概率图或软掩膜（soft masks）。然而，现有用于轮廓集合可视化的数据深度方法，存在两大缺陷：- 信息丢失与不稳定性。现有方法强制要求输入确定的二值掩膜。这种人为的阈值截断不仅丢弃了珍贵的置信度信息，且微小的阈值扰动即可能导致排序结果的剧烈波动。
- 计算瓶颈。面对三维集合数据，现有算法的计算开销大，难以满足大规模数据的分析需求。
- 定义了概率包含深度PID。不同于传统的轮廓二值处理，将集合成员视为概率分布，直接计算模糊轮廓成员间的包含程度从而得到深度值。该方法对于输入具有李普希茨连续性，能有效抵抗数据扰动，确保深度排序的稳健性。
- 为解决计算效率问题，提出 PID-mean 变体。通过计算成员与“平均概率轮廓”的关系，大幅降低了运算量。配合 GPU 并行计算加速，实现了对三维集合数据的快速处理。基于计算得到的深度值，该方法能够生成三维轮廓箱型图，以直观展示模糊轮廓集合的中心趋势与不确定性分布。
PID/PID-mean得到的三维轮廓箱型图的有效性在多个真实场景中得到了验证，并在专家访谈中得到认可。- 医学影像分割：在脑肿瘤分割中，PID直接基于深度神经网络分割输出的概率图计算深度，生成三维轮廓箱型图，通过带折射效果的全局光照渲染揭示不同分割模型在肿瘤边界的不确定性区域（图2）。
图2：由31个分割网络输出的脑瘤（a）三维软掩膜集合。应用PID生成的三维轮廓箱型图可视化（d）总结了31个成员分割网络软掩膜（b）。软掩膜二值化的面条图（c）难以对复杂区域进行清晰可视化。- 科学模拟分析：在烟雾流体模拟中（图1），PID 得到的三维轮廓箱型图捕捉了流体从稳定到湍流的演变过程，可视化了随时间推移而增加的结构复杂性。
- 影像队列研究：在脑部结构分析中（图3），基于 PID的三维轮廓箱型图有效解决了三维影像数据（如复杂的三维面条图）的视觉遮挡问题，快速生成清晰的群体解剖结构总结可视化。
图3：由400个成员构成的脑部影像队列中的海马体结构集合可视化。由于视觉遮挡，仅20个成员的面条图（a, b）就难以辨别。应用PID快速生成的三维轮廓箱型图（c）则可对所有成员结构进行清晰总结。北京大学健康医疗大数据国家研究院周亮助理教授为本文通讯作者，23级博士研究生吴涔洋为本文第一作者，该研究得到了国家自然科学基金面上项目的支持。
论文引用：C. Wu, D. Klötzl, Q. Yu, S. Guo, R. Lin, D. Weiskopf, and L. Zhou*. Probabilistic Inclusion Depth for Fuzzy Contour Ensemble Visualization. IEEE Transactions on Visualization and Computer Graphics, to appear.
论文预印本：https://arxiv.org/abs/2512.15187
论文附加资料：https://osf.io/6b8y5/overview?view_only=a59a8c125be24dbd9df3ec192bf07be9
开源代码：https://github.com/cenyangWu/Probabilistic-Inclusion-Depth
