这篇论文题为《基于视觉显著性的感兴趣区域直接体绘制传递函数优化 》，发表于 Displays 期刊（2023年）。其核心思想是引入视觉显著性作为目标度量，来自动优化直接体绘制中的传递函数，以突出用户定义的感兴趣区域。
下面从研究背景、核心方法、主要贡献、实验结果和局限性等方面进行详细解析。
1. 研究背景与问题
直接体绘制是科学可视化的重要技术，广泛应用于医学、工业等领域。为了突出显示体数据中的特定结构（即感兴趣区域），用户需要手动调节传递函数，为不同数据值指定光学属性（如颜色和不透明度）。
手动调节传递函数存在以下痛点：
- 过程繁琐：需要反复试错，耗时且依赖经验。
- 缺乏普适性：一个调好的传递函数通常无法直接用于新数据。
- 不够直观：在参数空间操作不如直接在图像上操作来得自然。
已有方法及其局限
论文指出，现有的自动传递函数优化方法主要基于可见性。虽然有效，但存在两个固有局限：
- 视野受限：可见性计算是沿单条光线独立进行的，无法考虑邻近光线上的其他区域作为"上下文"进行联合优化。即，它只能优化遮挡关系，不能有意识地增强或抑制某个区域以形成对比。
- 参数不全：只优化不透明度参数，而忽略了颜色参数。在复杂的可视化场景中，颜色对于区分不同结构至关重要。
2. 核心方法
为了克服上述局限，论文提出用视觉显著性替代可见性作为优化目标。视觉显著性是一种模拟人类视觉注意机制的度量，能识别图像中相对于周围环境更"突出"的区域。
方法流程分为三步：
-
用户交互与目标设定
- 用户在初始的二维直接体绘制图像上，用二维包围框直接框选感兴趣的感兴趣区域。
- 用户为选中的感兴趣区域指定一个目标显著性值 ( S_T \in [0.0, 1.0] )。值越高，表示希望该感兴趣区域在最终图像中越突出。
-
显著性计算
- 论文采用了一种自底向上的显著性模型（引用文献 [44]），该模型结合了全局和局部特征。
- 它将图像分割为超像素，综合颜色、纹理、空间位置等特征，生成一个灰度显著性图。图中像素值越高，代表该位置越显著。
-
传递函数迭代优化
- 传递函数参数化 ：将传递函数建模为一系列帐篷形状的基函数，每个基函数代表一个数据特征（如骨骼、皮肤）的区间。待优化的参数是这些"帐篷"的不透明度峰值 、不透明度宽度 以及颜色峰值。
- 目标函数 ：优化的目标是找到一个传递函数参数集合 ( \theta )，使得损失函数 ( F(\theta) ) 最小：
F(\\theta) = w \\cdot F_S® + (1 - w) \\cdot F_M(\\theta)
其中：- ( F_S® ) 是显著性保真项。它计算感兴趣区域 ( r ) 内所有像素的当前显著性值 ( S_P ) 与用户设定的目标显著性 ( S_T ) 之间的平方差之和。最小化此项确保感兴趣区域能达到用户要求的突出程度。
- ( F_M(\theta) ) 是参数移动约束项。它限制传递函数参数的变化范围，防止优化过程将不重要的背景区域变得完全透明，从而保留一定的上下文信息。
- ( w ) 是平衡两项的权重（论文中设为0.95，以强调显著性保真）。
- 求解器 ：使用 Nelder-Mead 单纯形法来求解这个非线性优化问题。该方法鲁棒性好，不易陷入局部最小值。
3. 主要贡献与优势
总结其贡献和优势如下：
- 直观的感兴趣区域选择：直接在渲染图像上画框选择，比在传递函数空间选值范围更直观。
- 全局上下文优化 ：显著性模型天然地考虑整幅图像的全局关系，因此优化时能隐式地处理所有区域，而不仅仅是同一光线上的遮挡物。这可以增强与感兴趣区域相邻的上下文，或抑制无关的杂乱背景。
- 支持颜色参数优化：方法不仅能调不透明度以控制"可见性"，还能调颜色以增强"视觉区分度"。这在几个对比实验中优势明显。
- 鲁棒性较强 ：实验显示，该方法对不同的初始传递函数 和不同的观察视角均能收敛到一致且有效的结果，只要初始传递函数能让人"瞥见"感兴趣区域即可。
- 广泛的适用性：在多个不同领域的数据集上进行了验证，包括医学（CT、MRI）、工业（发动机）和科学模拟（原子核），证明了方法的通用性。
4. 实验结果分析
- 目标显著性控制：通过设定不同的 ( S_T ) 值（从0.5到1.0），可以平滑地控制脑肿瘤区域的突出程度，验证了方法的可控性。
- 与可见性方法对比 ：
- 在血管造影CT数据中，基于显著性的方法在突出血管感兴趣区域的同时，有效抑制了肾脏、结肠等无关结构；而基于可见性的方法虽然突出了血管，但其他结构依然清晰，对感兴趣区域形成干扰。
- 在骨盆CT数据中，当有意将骨盆和植入物（感兴趣区域）设为相似颜色时，可见性方法无法分辨这种颜色混淆，优化后两者依然难以区分；而显著性方法能识别颜色特征，通过降低相似背景的不透明度来突出感兴趣区域。
- 多参数优化：展示了可以先后优化不透明度和颜色参数，获得更好的视觉效果。
5. 局限性与未来工作
论文在讨论部分也坦诚地指出了方法的局限性：
- 过度依赖显著性模型：如果选用的自底向上显著性模型本身失败，即将非用户意图的物体识别为最显著，那么优化结果将是错误的。不过，论文强调其框架可灵活更换其他更先进的显著性模型（如基于深度学习的）。
- 受限于一维传递函数：一维传递函数无法分离具有相同标量值但属于不同结构的数据。论文通过图像空间的二维框选部分规避了此问题，但指出其方法可扩展到多维传递函数以根本性地解决此问题。
- 初始化依赖：虽然对初始化有一定鲁棒性，但并非完全无关。一个好的初始传递函数，能提供基本的区分度，是优化成功的起点。
总结：这篇论文的创新点在于将计算机视觉领域的视觉显著性概念，巧妙地用作体绘制传递函数优化的目标度量。这不仅在技术上克服了传统可见性度量的核心局限，也让优化过程更符合人的视觉感知习惯，从而能生成更具表现力、更可控的感兴趣区域突出显示图像。