生成式人工智能在可视化领域的应用：研究现状与发展方向
Generative AI for visualization: State of the art and future directions
Yilin Ye, Jianing Hao, Yihan Hou, Zhan Wang, Shishi Xiao, Yuyu Luo, Wei Zeng
Visual Informatics · 2024-05-13
摘要
近年来，生成式人工智能（GenAI）取得了显著进展，在计算机视觉和计算设计等不同领域各类生成任务中展现出卓越性能。众多研究者试图将生成式人工智能融入可视化框架，利用其强大的生成能力来完成各类操作。与此同时，扩散模型和大型语言模型等生成式人工智能领域的重大突破，也极大地拓展了生成式人工智能在可视化领域的应用潜力。从技术层面来看，本文回顾了以往利用生成式人工智能开展的可视化研究，探讨了未来研究面临的挑战与机遇。具体而言，我们梳理了序列生成、表格生成、空间生成及图生成等不同类型生成式人工智能方法在可视化各任务中的应用，将其归纳为数据增强、视觉映射生成、风格化处理以及交互四个主要阶段。针对每一项具体的可视化子任务，我们列举了典型的数据类型与具体的生成式人工智能算法，旨在帮助读者深入理解当前生成式人工智能在可视化领域的技术水平及其局限性。此外，基于上述综述，我们从评估体系、数据集构建，以及端到端生成式人工智能方法与可视化之间的适配差距三个维度，探讨了相关挑战与研究机遇。通过总结各类生成算法、其当前应用场景及局限性，本文力求为未来生成式人工智能在可视化领域的研究提供有益参考。
本摘要由 AI（Hy-MT2-Pro）翻译生成，仅供参考，请以原文为准。
AI 综述
基于摘要生成- 主要观点
- 本文探讨了生成式人工智能在可视化领域的应用现状与未来发展。作者指出，随着扩散模型和大语言模型等技术的突破，GenAI已被整合到可视化框架的四个关键阶段：数据增强、视觉映射生成、风格化与交互中。文章系统梳理了序列、表格、空间和图生成等不同类型的GenAI方法在可视化子任务中的具体应用。
- 研究方法
- 本文主要采用文献综述与分类归纳的研究方法。从技术视角出发，对以往利用GenAI的可视化研究进行系统性回顾。通过将可视化流程拆解为四个主要阶段，并针对每个子任务梳理其典型数据与具体算法，实现对现有GenAI4VIS技术的深度剖析。
- 学术贡献
- 本文为理解生成式人工智能在可视化中的应用提供了系统性的技术视角与分类框架。通过详细阐释各类生成算法在可视化不同阶段的具体应用与算法细节，深化了对当前GenAI4VIS技术前沿及其局限性的认知。同时，文章对当前挑战与机遇的剖析为后续研究提供了有价值的参考见解。
- 存在局限
- 文章指出端到端GenAI方法与可视化之间存在鸿沟，反映了现有生成方法在直接适配可视化需求上的结构性局限。此外，评估方式和数据集方面的挑战也暗示了当前研究在效果验证与数据支撑上的不足。材料中虽提及现有技术存在局限，但未对各类算法的具体缺陷展开详述。
- 进一步研究方向
- 未来的研究应重点关注评估机制完善、数据集构建以及弥合端到端生成方法与可视化之间的差距这三个主要方面。需要探索更合理的评估方式与更丰富的数据集，以支撑GenAI4VIS领域的持续发展。同时，如何消除端到端模型与可视化特定需求之间的隔阂，将是释放GenAI在可视化中潜力的关键。
本综述由 AI（GLM-5-Turbo）基于摘要自动生成，仅供参考，不代表原文作者观点，请以原文为准。
参考文献
相关论文
话题：Data Visualization and Analytics