• Home
• People
• Courses
• Research
• Publications
• Resources
• Jobs

Für den Übungsteil wird eine State-of-the-Art Visualisierungstechnik idealerweise in Zweiergruppen implementiert. Wählen Sie eine der zwei möglichen Aufgabenstellungen:

1. Wählen Sie einen der Artikel hier. Jeder Artikel wird maximal zwei mal vergeben (First-Come-First-Served-Prinzip).
2. Wählen Sie einen Datensatz (z.B. aus dieser Liste), visualisieren Sie die Daten mit einer State-of-the-Art Visualisierungstechnik aus einem wissenschaftlichen Artikel und analyisieren Sie den Datensatz mithilfe der Visualisierung.

	Lichtenberg and Lawonn	Parameterization and Feature Extraction for the Visualization of Tree-like Structures	2019
	Hermosilla et al.	Improving Perception of Molecular Surface Visualizations by Incorporating Translucency Effects	2018
	Fu et al.	How Do Ancestral Traits Shape Family Trees over Generations?	2018
	Zhao et al.	SkyLens: Visual Analysis of Skyline on Multi-dimensional Data	2018
	Grossmann et al.	VisualFlatter - Visual Analysis of Distortions in the Projection of Biomedical Structures	2018
	Rocha et al.	Decal-maps: Real-Time Layering of Decals on Surfaces forMultivariate Visualization	2017
	Stoppel and Bruckner	Vol2velle: Printable Interactive Volume Visualization	2017
	van Garderen et al.	Minimum-Displacement Overlap Removal for Geo-referenced Data Visualization	2017
	Smit et al.	PelVis: Atlas-based Surgical Planning for Oncological Pelvic Surgery	2017
	van den Elzen et al.	Reducing Snapshots to Points: A Visual Analytics Approach to Dynamic Network Explorations	2016
	Krone et al.	Molecular Surface Maps	2016
	Gruendl et al.	Time-Series Plots Integrated in Parallel-Coordinates Displays	2016
	Bach et al.	Towards Unambiguous Edge Bundling: Investigating Confluent Drawings for Network Visualization	2016
	Simonetto et al.	A Simple Approach for Boundary Improvement of Euler Diagrams	2016
	Rados et al.	Towards Quantitative Visual Analytics with Structured Brushing and Linked Statistics	2016
	Lopez-Novoa et al.	Kernel density estimation in accelerators	2016
	Raidou et al.	Orientation-Enhanced Parallel Coordinate Plots	2015
	Sun et al.	BiSet: Semantic Edge Bundling with Biclusters for Sensemaking	2015
	Ferstl et al.	Streamline Variability Plots for Characterizing the Uncertainty in Vector Field Ensembles	2015
	Wang et al.	AmbiguityVis: Visualization of Ambiguity in Graph Layouts	2015
	Jarema et al.	Comparative Visual Analysis of Vector Field Ensembles	2015
	Fried and Kobourov	Maps of Computer Science	2014
	van den Elzen and van Wijk	Multivariate Network Exploration and Presentation: From Detail to Overview via Selections and Aggregations	2014
	Jusufi et al.	Visual exploration of relationships between document clusters	2014
	Mirzargar et al.	Curve Boxplot: Generalization of Boxplot for Ensembles of Curves	2014
	Dunne and Shneiderman	Motif simplification: improving network visualization readability with fan, connector, and clique glyphs	2013
	Im et al.	GPLOM: The Generalized Plot Matrix for Visualizing Multidimensional Multivariate Data	2013
	Brosz et al.	Transmogrification: Casual Manipulation of Visualizations	2013
	Alsallakh et al.	Radial Sets: Interactive Visual Analysis of Large Overlapping Sets	2013
	Klemm et al.	Visualization and Analysis of Lumbar Spine Canal Variability in Cohort Study Data	2013
	Dinkla et al.	Kelp Diagrams: Point Set Membership Visualization	2012
	Feng et al.	Coherent Time-Varying Graph Drawingwith Multifocus+Context Interaction	2012
	Parulek and Viola	Implicit Representation of Molecular Surfaces	2012
	Broeksema et al.	Visual Analysis of Multidimensional Categorical Datasets	2012
	Mitra et al.	[ambitious] Illustrating How Mechanical Assemblies Work	2012
	Busking et al.	Image-based rendering of intersecting surfaces for dynamic comparative visualization	2011
	Tan et al.	ImageHive: Interactive Content-Aware Image Summarization	2011
	Kim et al.	Tracing Genealogical Data with TimeNets	2010
	Oelke et al.	Visual readability analysis: How to make your writings easier to read	2010
	Schott et al.	Depth of Field Effects for Interactive Direct Volume Rendering	2010
	Riche and Dwyer	Untangling Euler Diagrams	2010
	Lewiner et al.	Stereo music visualization through manifold harmonics	2010
	Slingsby et al.	Configuring Hierarchical Layouts to Address Research Questions	2009
	Chuang et al.	Hue-Preserving Color Blending	2009
	Everts et al.	Depth-Dependent Halos: Illustrative Rendering of Dense Line Data	2009
	Burns et al.	Adaptive Cutaways for Comprehensible Rendering of Polygonal Scenes	2008
	Elmqvist et al.	Rolling the Dice: Multidimensional Visual Exploration using Scatterplot Matrix Navigation	2008
	Tominski et al.	Task-Driven Color Coding	2008
	McDonnel and Mueller	Illustrative Parallel Coordinates	2008

• 1. ABGABE:
  Die erste Abgabe ist die verbindliche Anmeldung zur dieser VU. In TUWEL abzugeben ist eine Präsentation (exportiert als PDF). Die erste Präsentation soll vor allem den theoretischen Inhalt des Papers näher erläutern und eine Idee der Implementierung vermitteln. Die Redezeit beträgt 3 Minuten und soll eine Zusammenfassung des Artikels und das Implementierungskonzept beinhalten. Bitte halten Sie sich an das PowerPoint Template in TUWEL und beachten Sie die Anweisungen in den Kommentarfeldern! Bei dem Vortrag sollen die Mitglieder einer Gruppe alle gleich lange vortragen. Wann und wie oft gewechselt wird, bleibt Ihnen überlassen. Die PDF Präsentationen werden vor dem Präsentationstermin zusammengefügt und in vorgegebener Reihenfolge vom lokalen Rechner präsentiert. Sie erhalten vor Ort oder nachträglich über TUWEL Feedback.
• 2. ABGABE:
  Nach dem ersten Feedback ist eine kurze Zusammenfassung des Artikels inklusive Implementierungskonzept und kurze Beschreibung der Daten abzugeben (ca. 1-2 A4 Seiten, PDF).
• ZWISCHENABGABE:
  Die Zwischenabgabe ist unverbindlich und dient dazu, Feedback bezüglich der aktuellen Implementierung von den Tutoren zu bekommen. Die Abgabe erfolgt mittels TUWEL in Form eines ZIP Archives oder als Link. Sie können zu den in den Terminen genannten Zeiten Fragen persönlich an die Tutoren richten. Sie müssen sich nicht anmelden, daher läuft es nach dem First-Come-, First-Served-Prinzip ab.
• 3. ABGABE:
  Abzugeben sind:

  • Implementierung (ZIP), bestehend aus:
  • Kompilierte Binaries/WebGL/... (/bin)
  • Quellcode (/src)
  • Code Dokumentation (z.B. Doxygen) (/doc)
  • HTML Dokumentation des Programms (/html)
  • Screenshot des Programms (screenshot.jpg, Auflösung: W: 700px / H: variable)
  Die HTML Dokumentation soll einen Link auf das Programm und den Quellcode sowie dessen Dokumentation enthalten. Weiters sollen auf der HTML Seite auch der Zweck und die Funktionsweise des Programms beschrieben werden.
  • Präsentation (PDF, PPTX, PPT, ODP, ZIP falls Videos beiliegend)
    Der Schwerpunkt der zweiten Präsentation liegt bei der Vorführung des fertigen Programms. Der genaue Aufbau und der Umfang für die beiden Präsentationen sieht im Konkreten folgendermaßen aus:
    • Redezeit: 1er Gruppe (5 Minuten), 2er Gruppe (8 Minuten)
    • Inhalt: Wiederholung des Artikels (ca. 20%), Implementierungs (ca. 40%), Programmvorführung (ca. 40%)
    • Template: PowerPoint
    Bei dem Vortrag sollen die Mitglieder einer Gruppe alle gleich lange vortragen. Wann und wie oft gewechselt wird, bleibt Ihnen überlassen. Zu den Präsentationsterminen bitten wir Sie mindestens 15 Minuten vor dem Beginn vor Ort zu sein, damit Sie Ihre Präsentation noch testen können.

Benotung

• die 1. Präsentation des Artikels incl. Implementierungsidee   (5 Punkte)
• die Zusammenfassung des Artikels incl. Implementierungsidee   (5 Punkte)
• die Implementierung und Dokumentation   (40 Punkte)
  • Einhaltung der Vorlagen   (15 Punkte)
  • Funktionalität   (15 Punkte)
  • Usability   (5 Punkte)
  • Dokumentation   (5 Punkte)
• die 2. Präsentation des Programms   (10 Punkte)
• die mündliche Vorlesungsprüfung   (40 Punkte)

• >   87 Punkte   ...   Sehr Gut (1)
• >   75 Punkte   ...   Gut (2)
• >   62 Punkte   ...   Befriedigend (3)
• >= 50 Punkte   ...   Genügend (4)
• <   50 Punkte   ...   Nicht Genügend (5)

Daten

• IEEE SciVis Contests 2004-now
  http://sciviscontest-staging.ieeevis.org/
  Each year, SciVis contests provide a challenging scientific data set to be visualized; list of all SciVis contests from 2004 until now.
• Visualization Group Data Sets
  http://www.cg.tuwien.ac.at/research/vis/datasets/
  3D volume data sets from our institute.
• Stefan Roettgers Volume Library
  http://www9.informatik.uni-erlangen.de/External/vollib/
  A collection of free 3D volume data sets.
• The Stanford Volume Data Archive
  http://graphics.stanford.edu/data/voldata/
  3D volume data sets from CT.
• Osirix DICOM Data
  http://www.osirix-viewer.com/datasets/
  Medical volume data sets in DICOM format.
• Protein Data Bank
  http://www.rcsb.org/
  3D shapes of proteins, nucleic acids, and compelx assemblies.

• VAST challenge archive
  http://www.vacommunity.org/About+the+VAST+Challenge
  Archive of all Visual Analytics Science and Technology (VAST) Challenges from 2006.
• UCI Machine Learning Repository
  http://archive.ics.uci.edu/ml/datasets.html
  Provides hundrets of data sets mainly for the machine learning community, but also interesting for visualization!
• Kaggle Datasets
  https://www.kaggle.com/datasets
  Ten thousands of public datasets, including Bitcoin, YouTube statistics, transports etc.
• FiveThirtyEight Data
  https://data.fivethirtyeight.com/
  Data used and provided by the FiveThirtyEight opinion poll analysis / politics, economics, and sports blog website.
• data.gv.at
  https://www.data.gv.at/
  offene Daten Österreich
• Gapminder world data
  https://www.gapminder.org/data/
  Provides hundrets of country indicators, such as population, infant mortality rates, life expectancy at birth, employment rates etc., over many years.
• Tableau sample data sets
  https://public.tableau.com/s/resources?qt-overview_resources=1#qt-overview_resources
  Dozens of data sets about education, science -- and even characteristics of Star Wars characters.
• CIA world factbook
  https://www.cia.gov/library/publications/the-world-factbook/rankorder/rankorderguide.html
  Country comparisons of different geographic or economic statistics can be downloaded.
• Data.Gov
  https://catalog.data.gov/dataset
  Hundrets thousands of data sets (e.g., demographic statistics on zip code level) provided by the U.S. government.
• Google public data explorer
  http://www.google.com/publicdata/home
  Search through publicly available data sets, such as world bank, eurostat, WTO etc.
• Statista
  https://www.statista.com/
  Large collection of statistics (TU Wien has a license)
• Stanford Large Network Dataset Collection
  http://snap.stanford.edu/data/
  Provides any kinds of network data.
• The Koblenz Network Collection
  http://konect.uni-koblenz.de/
  Large network datasets of all types collected by the University of Koblenz-Landau.
• GMap Graph Datasets
  http://gmap.cs.arizona.edu/datasets
  Collection of graphs and networks used for demonstrating GMap.
• graphdrawing.org Benchmark Data
  http://www.graphdrawing.org/data.html
  Benchmark data for various classes of graph drawing algorithms.
• Network Data Collection
  http://www-personal.umich.edu/~mejn/netdata/
  Network data collected by Mark Newman.
• Visualization publications dataset
  http://www.vispubdata.org/site/vispubdata/
  Contains all IEEE VIS publications from 1990 to 2015 with titles, authors etc. and citations to previous VIS papers.
• IMDbPY
  https://imdbpy.sourceforge.io/
  Python package to retrieve and manage data of the IMDb movie database.
• Car dataset
  https://www.cg.tuwien.ac.at/courses/Visualisierung1/exercises/data/cars_406.zip
  A classic small multivariate data set about cars.
• Nutrients dataset
  https://www.cg.tuwien.ac.at/courses/Visualisierung1/exercises/data/nutrients_7538.zip
  A classic multivariate data set about nutrients.
• Car Evaluation Data Set
  http://archive.ics.uci.edu/ml/datasets/Car+Evaluation
  A larger car datset.
• Plants Data Set
  http://archive.ics.uci.edu/ml/datasets/Plants
  A classic and quite large multivariate data set about plants.

Tools

• D3.js - JavaScript library for data-driven visualization documents
  https://d3js.org/
• Vega Light - high-level visualization grammar based on JSON
  https://vega.github.io/vega-lite/
• Python Visualization Libraries - Python offers a variety of visualization libraries, like Bokeh, Plotly R, or Seaborn. Here is an overview:
  https://mode.com/blog/python-data-visualization-libraries
• R Visualization Packages - R provides some visualization packages as well:
  https://mode.com/blog/r-data-visualization-packages
• three.js - JavaScript 3D scenegraph library based on WebGL
  https://threejs.org/
• Stardust: GPU-based Visualization Library
  https://stardustjs.github.io/
• Polymaps - JavaScript library for making dynamic, interactive maps
  http://polymaps.org/
• Leaflet - JavaScript library for mobile-friendly interactive maps
  http://leafletjs.com/
• Google Visualization API for the creation of visualization
  https://developers.google.com/chart/interactive/docs/reference
• The JavaScript InfoVis Toolkit
  http://thejit.org/
• Qt Data Visualization Module
  http://doc.qt.io/qt-5/qtdatavisualization-index.html
• Visualization Toolkit (VTK) -- 3D graphics, image processing, and visualization library
  https://www.vtk.org/
• Kitware toolkits and applications (including VTK, ParaView, ITK, 3D Slicer etc.)
  https://www.kitware.com/platforms/
• Unity3D - game engine; sometimes used for 3D visualization
  https://unity3d.com/
• Unreal Engine - game engine; sometimes used for 3D visualization
  https://www.unrealengine.com
• dataviz.tools - tools, resources, and technologies for data visualization
  http://dataviz.tools/
• Collection of Vis-Tools
  http://selection.datavisualization.ch/

• Crossfilter - JavaScript library for efficient handling of large tabular datasets
  http://square.github.io/crossfilter/
• Pandas - Python library for data manipulation and analysis
  https://pandas.pydata.org/
• OpenRefine - tool for cleaning and tranforming messy data
  http://openrefine.org/
• NetworkX - Python package for graph creation, transformation, analysis
  https://networkx.github.io/
• scikit-learn - machine learning in Python
  https://scikit-learn.org/stable/
• TensorFlow - open source machine learning framework (especially for deep learning) for Python, Java, C, Go, and JavaScript
  https://www.tensorflow.org/
• CUDA - parallel computing platform for NVIDIA GPUs
  https://developer.nvidia.com/cuda-zone
• OpenCL - open, cross-platform parallel programming framework
  https://www.khronos.org/opencl/
• Numba - JIT compiler translating subset of Python / NumPy into fast machine code
  http://numba.pydata.org/

Links

• A Tour Through the Visualization Zoo (Heer et al., 2010)
  https://cacm.acm.org/magazines/2010/6/92482-a-tour-through-the-visualization-zoo
• A Survey of Surveys in Information Visualization
  http://sos.swansea.ac.uk/
• Data Visualization Milestones
  http://www.datavis.ca/milestones/
• Survey on text visualization techniques
  http://textvis.lnu.se/
• Survey on tree visualization techniques
  http://treevis.net/
• Survey on BioVis techniques
  http://biovis.lnu.se/
• Survey on set visualization techniques
  http://www.cvast.tuwien.ac.at/~alsallakh/SetViz/literature/www/index.html
• Information Visualization community platform
  http://infovis-wiki.net/index.php/Main_Page
  The InfoVis:Wiki project is intended to provide a community platform and forum integrating recent developments and news on all areas and aspects of Information Visualization.
• Visual Complexity
  http://www.visualcomplexity.com/
  Web portal, which represents very nice projects of visualizations in practical use.
• The Python Graph Gallery
  https://python-graph-gallery.com/
  Hundrets of charts, each with corresponding python code.
• TED-Talk by Hans Rosling
  http://www.ted.com/index.php/talks/hans_rosling_shows_the_best_stats_you_ve_ever_seen.html (Video)
  A very good example how InfoVis can be used to explore large and high-dimensional data sets.
• TED-Talk by Gary Flake
  http://www.ted.com/talks/gary_flake_is_pivot_a_turning_point_for_web_exploration.html (Video)
  Talk about Pivot - an interesting application to browse the web.

Verwandte LVAs

• Research Unit of Computer Graphics
• Courses
• Visualisierung 2 VU