设计类图表驱动的可视化风格转移方法

A visualization with good design style benefits its understanding and memorial. However, it is usually very cumbersome for visualization makers to tune a good style, which highly depends on the design experience and the taste of the maker. Meanwhile, designers in the design field have made a large amount of well-designed diagrams (e.g., infographics, user interfaces, etc.), accumulating a rich library of designs for reference. In this project, we propose a style transfer method to leverage the style from design diagram to data-driven visualization. 1. thousands of designed diagrams are collected as a library of design references. 2. after the decomposition of diagram bitmaps via image processing method, a semi-supervised learning is applied to infer the match-up rules of visual elements from a training subset. 3. a set of visual features are computed to quantize the design style of visual elements. 4. taking the accuracy of data representation and style similarity into consideration, the style transfer is performed by converging to the style optimal function. This project brings out the best of style from well-designed diagrams and automaticity of data-driven visualization and bridges the gap between the fields of design and visualization. It will push the cutting-edge of agile stylization of visualization.

视觉风格良好的可视化能促进人们对其传达信息的解读和记忆。但视觉风格的创意设计与细节调制不但依赖于制作者的设计品位和经验，还需要耗费大量时间和精力。在设计领域，设计师们积累了大量风格良好、制作精良的设计类图表（如信息图、平面设计等），如果能把这些优秀设计程式化并复用到可视化领域，将有效地提高可视化的构建效率和视觉审美水平。本项目研究设计类图表驱动的可视化风格转移方法，将设计类图表的视觉样式赋予数据驱动的可视化，实现毋需编程的快速风格迁移。我们将首先收集设计类图表，形成风格资料库；通过半监督机器学习建立图表之间的图元对应规则，形成风格转移通道；然后提取视觉特征量化图元样式，生成风格转移内容；最后在数据表达准确和风格相似的双约束条件下，制定风格转移目标，完成风格转移。本研究将搭建设计类图表与可视化之间的桥梁，促进艺术与可视化技术的交叉融合，为可视化敏捷构建的进一步发展提供理论和实践指导。

视觉风格良好的可视化能促进人们对其传达信息的解读和记忆。但视觉风格的创意设计与细节调制不但依赖于制作者的设计品位和经验，还需要耗费大量时间和精力。在设计领域，设计师们积累了大量风格良好、制作精良的设计类图表(如信息图、平面设计等)，如果能把这些优秀设计程式化并复用到可视化领域，将有效地提高可视化的构建效率和视觉审美水平。本项目以如何将良好的设计图表风格迁移到可视化图表为出发点，收集大量风格良好、制作精良的设计类图表(如信息图、平面设计等)，并进行其设计风格的探索；基于此，学习有效的视觉设计方法，并转移到可视化图表的设计中，实现视觉增强。相关研究成果发表于可视化、人机交互等领域顶级国际会议和期刊上。其中，对信息图的视觉信息流设计模式探索的研究发表于人机交互顶级会议ACM SIGCHI 2020，相关信息图数据集InfoVIF也已开源，截止目前已经有他引20余次；可视化图表视觉理解和增强的相关系列工作发表于可视化领域的顶级会议IEEE VIS 2019， 2021。