检索后适配:基于示例的比例相关信息图自动生成

信息图是一种将图形与文本描述以美观且有效的方式相结合的数据可视化技术。创建信息图是一个困难且耗时的过程,即使对经验丰富设计者而言也常需大量尝试与调整,更不用说设计专业知识有限的 novice 用户。近来,已有若干方法通过将对应用户信息至预定义蓝图来自动化创建过程。然而,预定义蓝图往往难以创建,因此在数量与多样性上受限。相比之下,优秀信息图已由专业人士创建并迅速积累于互联网。这些在线示例通常代表广泛的设计风格,并为想要自行创建信息图的人提供范例或灵感。基于这些观察,我们提出通过自动模仿示例来生成信息图。我们提出一个两阶段方法,即检索后适配。在检索阶段,我们根据视觉元素为在线示例建立索引。对于给定的用户信息,我们通过从关于视觉元素的学习分布中采样将其转化为具体查询,然后基于示例索引与查询之间的相似性在示例库中找出合适示例。对于检索到的示例,我们通过将其内容替换为用户信息来生成初始草稿。然而,在许多情况下,用户信息无法完美适配检索到的示例。因此,我们进一步引入适配阶段。具体而言,我们提出一种类 MCMC 方法并利用递归神经网络来帮助调整初始草稿并迭代改善其视觉外观,直至获得满意结果。我们在比例相关信息图上实现该方法,并通过样例结果与专家评审证明其有效性。