背景：我们研究了散点图(笛卡尔坐标)和平行坐标可视化方法的工作效能和读取特性。

实验：在一项受控的眼睛跟踪实验中，我们要求24名参与者按不同的图示类型（平行坐标或水平方向的散点集合）、数据的维度（2,4,6或8）和点之间的相对距离 (15%, 20%, or 25%)。来估计多维空间中点之间的相对距离。给定一个参考点和两个目标点，我们先告知参与者在多维空间中选择更接近参考点的目标点。贡献：本文提出一个可视扫描模型，它描述了在两种图示类型中找出目标点的不同策略，并以任务完成时间，准确性和注视位置作为因变量，给出了我们试验得出的相关推断。

结论：在二维空间中散点图示方法明显优于平行坐标，而在八维空间中采用平行坐标可以更快、更准确地完成任务。在笛卡尔坐标和平行坐标之间以及不同维度的空间之间，眼睛跟踪数据显示出显著差异。对于平行坐标，随着空间维度的增加，所需的扫视时间更长而定位时间更短。基于AOI的方法，我们为每种图示类型确定了不同的读取策略：对于平行坐标，参与者的视线应频繁地在不同的轴对之间来回检视，而对笛卡尔坐标，不必将视线聚焦在轴上。

背景：当采用跳过空区间和提前终止光线投射等体绘制加速技术时，若用户调整相机配置或传输函数，会导致绘制性能的显著变化。绘制时间上的变化可能导致不愉快的后果，例如在交互式探索期间画面出现抖动或响应性能突然降低。

贡献：为了避免这些影响，我们提出了一种根据所要求的性能对绘制参数进行调整的集成化方法。我们动态评估与性能相关的数据，基于这些数据，提出了一种评估提前终止光线投射影响的新方法。在此基础上，引入混合模型，以最小的计算区域实现精确的预测。结论：我们的预测模型适用于下面两种不同的情形: ( 1 )动态地调整对象空间、图像空间中的采样密度；( 2)在多个不同的并行计算设备之间动态地调整工作负载。

背景：基于纹理的体绘制需占用大量的内存，算法的效率严重依赖于纹理缓存的性能。然而现有的基于纹理的体绘制方法大多盲目地将计算资源映射到纹理存储器，致使对存储器的访问模式缺乏连续性，导致在某些情况下高速缓存命中率低。

观点：GPU各原子调度单元线程所采集的样本之间的距离是影响纹理高速缓存性能的关键因素。基于这一观察，通过深入分析光线投射算法中不同样本组织方式和不同线程-像素映射的影响，我们提出了一种新的基于纹理的体绘制光线投射算法的采样策略：WarpMarching。 此外，我们还引入了流水线方式的颜色混合方法，并利用Warp-level GPU的运算能力来提升GPU并行执行的效率。

结论：通过一系列的微观基准测试和真实数据实验，我们的采样策略与现有采样方法相比，性能显著提高。

城市人日常出行数据中所含规律的可视分析

背景：城市人的日常出行在时空上呈现出高度的规律性。了解他们的日常出行规律对城市规划者、交通分析师和商业策划者都有很大意义。

贡献：本文提出一种面向城市人出行跟踪数据的交互式可视分析设计方案，通过对这些数据进行空间和时间上的交互式分析和挖掘，可揭示和呈现众人日常出行的模式。

案例验证：以新加坡的大量城市公共交通数据和MIT的Reality Minning数据集为典型案例进行分析，证明了我们的系统具有有效性和可用性。