Generative AI for Visualization: State of the Art and Future Directions

近年来，生成人工智能（GenAI）取得了显著进展，并在计算机视觉和计算设计等不同领域的各种生成任务中展现出了令人印象深刻的性能。许多研究人员试图将GenAI整合到可视化框架中，利用其优越的生成能力进行不同操作。同时，最近GenAI的重大突破，如扩散模型和大型语言模型，也极大地增加了GenAI4VIS的潜力。从技术角度来看，本文回顾了以前利用GenAI进行可视化研究的情况，并讨论了未来研究的挑战和机遇。具体而言，我们涵盖了不同类型的GenAI方法，包括序列、表格、空间和图形生成技术，用于可视化的不同任务，我们将其总结为四个主要阶段：数据增强、视觉映射生成、样式化和交互。对于每个具体的可视化子任务，我们阐述了典型的数据和具体的GenAI算法，旨在深入理解最先进的GenAI4VIS技术及其局限性。此外，根据调查，我们讨论了评估、数据集和端到端GenAI与生成算法之间差距等三个主要方面的挑战和研究机会。通过总结不同的生成算法、它们当前的应用和限制，本文力图为未来的GenAI4VIS研究提供有用的见解。

如何将生成式人工智能（GenAI）应用于可视化领域？

本文综述了使用不同类型的GenAI方法进行数据增强、视觉映射生成、风格化和交互等四个可视化子任务的应用，并探讨了评估、数据集和终端到终端GenAI之间的差距等挑战和研究机会。

本文详细介绍了不同类型的GenAI方法在可视化领域的应用，并提供了数据和具体算法，实验结果表明这些方法具有较高的性能。此外，本文还探讨了评估、数据集和终端到终端GenAI之间的差距等挑战和研究机会。

近期的相关研究包括：《Generative Models in Visualization: Opportunities and Challenges》、《Generative Models for Graph-Based Protein Design》、《Generative Models for Graph-Based Protein Design》等。