海洋大数据分析的主要挑战是数据的复杂性和海洋动态过程的内在复杂性。交互式可视分析可作为一种有效补充方法用来发现数据中蕴含的各种现象或模式，并对研究人员日常工作涉及的多个变量进行关联探索和比较。 本文阐述了由众多测量设备或计算机模拟生成的海洋数据的基本概念，综述了海洋数据的特点和相关的数据处理技术，介绍了海洋数据分析的主要任务。基于海洋领域的主要分析任务，本文重点围绕以下四个方面: 多种海洋环境要素的可视化和多变量分析、海洋现象识别和跟踪、模式或相关性检测、集合和不确定性探索介绍了相关的交互式可视化技术和工具。最后，讨论了未来的研究方向。

为了改善可视化，有必要通过分析用户的行为以及通过改进计算实验的评估指标和考察实验中任务的完成情况（例如，正确的答案率和完成时间）来优化设计。尽管已有多项研究分析了用户行为对可视化评估的影响，但是这些研究大多集中在简单的可视化任务上。 一个简单的可视化任务并非指其中只包含少量的可视化元素，而是指通过可视化获得的信息是完成该任务的唯一线索。然而，也有一些研究针对复杂的可视化任务，在这些任务中，从可视化找到多个信息被视为完成任务的线索，而不管可视化中包含了多少可视化元素。因此，在本研究中，我们分析参与复杂任务的执行者的行为。我们选择了两种类型的Group-in-a-Box布局（可认为是一种复杂的可视化方法），作为用户实验的对象。在用户实验中，参与者被要求执行与Group-in-a-Box布局有关的探索任务：即哪一组中的内部边最多？
除了在任务中的表现之外，我们还收集了眼动追踪数据。结果表明，正确答案率受可视化因素的影响很大; 不论是否为正确答案，通常会认为具有最多内部边数的框一定是面积最大的框。此外，对收集的眼动追踪数据的分析表明，这种可视化因素还影响了参与者的探索行为;但是，它并不影响参与者关注的位置。所得结果表明，可视化设计者未曾考虑的可视化元素可能会影响用户从数据中获取信息的任务。因此，设计者在设置可视化方案时必须要考虑用户的视觉认知行为。

背景：缺乏编程能力的用户在进行可视化分析和设计时，想要快速地创建基于 web 的可视化作品，会遇到诸多困难，而现有的可视化设计系统和编程工具库并不能很好地解决这一问题。本文介绍了一种开源的、基于 web 的、跨平台的、支持快速创建交互式可视化的框架 ECharts，它易于使用，拥有丰富的内置交互和高性能。通过对 ECharts 与 C3.js, HighCharts, Chart.js 的多项性能对比，表明了该框架具有良好的实用性和可伸缩性。

背景：瞬态成像技术对计算机图形学和计算机视觉领域产生了巨大的影响。通过以极高的时间分辨率捕捉、重建或模拟光的传输过程，研究人员提出了若干新的技术来显示运动中的光影、查看周边的角落、检测位于高散射介质中的对象或远程推断材料特性等等。其关键思想是开发和利用时间域在皮秒或纳秒分辨率下的大量信息，而这些信息通常在捕获时的信息整合过程中丢失。

贡献：本文从图形和计算机视觉的角度介绍了瞬态成像技术的最新进展，包括捕获技术、分析、应用和仿真。

背景：交互式模型分析是一个借助交互可视化技术来理解、诊断和改进机器学习模型的过程，它可以帮助用户有效地解决现实世界中的人工智能和数据挖掘问题。大数据分析技术的迅速发展引发了各种各样的交互式模型分析任务。

贡献：我们对这一迅速发展的领域进行了全面的分析，将相关工作划分为三类:理解、诊断和改进。每一类都以最近有影响力的工作为例，同时探讨了今后潜在的研究方向。