멀티모달 표현 학습은 이미지, 텍스트, 소리 등 다양한 형태의 데이터를 통합적으로 이해하고 처리하는 기술을 개발하는 연구 분야입니다. 본 연구실에서는 각기 다른 모달리티의 정보를 효과적으로 결합하여, 기존의 단일 모달리티 기반 인공지능 시스템이 가지는 한계를 극복하고자 합니다. 이를 위해 이미지-텍스트-사운드의 조합을 통한 공동 임베딩 공간 구축, 모달리티 간 의미적 정렬, 그리고 다양한 응용 분야에서의 활용 가능성을 탐구하고 있습니다. 최근 연구에서는 텍스트와 이미지의 조합을 넘어, 사운드와 같은 추가적인 모달리티를 도입하여 더욱 풍부한 의미와 맥락을 포착할 수 있는 방법론을 제안하고 있습니다. 예를 들어, 사운드를 활용한 이미지 조작 및 생성, 멀티이벤트 비디오 생성, 그리고 텍스트-비디오 모델을 통한 복합적 정보 생성 등 다양한 응용 연구가 활발히 이루어지고 있습니다. 이러한 연구는 실제 환경에서의 인공지능 시스템의 적응력과 표현력을 크게 향상시키는 데 기여합니다. 멀티모달 표현 학습의 발전은 자율주행, 로봇, 미디어 생성, 의료 영상 분석 등 다양한 분야에서 혁신적인 변화를 이끌고 있습니다. 본 연구실은 멀티모달 데이터의 상호작용과 융합을 통해, 인간과 유사한 수준의 인지 및 이해 능력을 갖춘 인공지능 시스템 개발을 목표로 하고 있습니다. 앞으로도 다양한 모달리티의 통합적 활용을 통해, 더욱 직관적이고 설명 가능한 AI 기술을 선도할 계획입니다.

자율주행 차량의 상용화와 실현을 위해서는 대규모 데이터와 복잡한 환경에서 안정적으로 동작할 수 있는 기계학습 기술이 필수적입니다. 본 연구실은 대규모 자율주행 시스템을 위한 효율적이고 확장 가능한 기계학습 모델 개발에 주력하고 있습니다. 특히, 3D 객체 탐지, 행동 예측, 점유 예측 등 자율주행의 핵심 인지 문제를 해결하기 위한 다양한 알고리즘을 연구하고 있습니다. 최근에는 실시간 환경에서의 효율성과 정확도를 동시에 달성하기 위한 스트림 기반의 3D 점유 예측, 다중 카메라 및 LiDAR 센서 융합, 도메인 일반화 및 적응 기술 등 다양한 첨단 방법론을 제안하였습니다. 또한, 인간의 조언과 설명을 내재화한 설명 가능한 자율주행 인공지능, 미래 궤적 정보를 활용한 행동 예측, 시뮬레이션 기반 시나리오 검증 등 실제 도로 환경에서 발생할 수 있는 다양한 상황에 대응할 수 있는 연구도 활발히 진행 중입니다. 이러한 연구 성과는 Waymo, 현대자동차 등 글로벌 기업과의 협업 및 실제 자율주행 플랫폼 적용을 통해 검증되고 있습니다. 앞으로도 본 연구실은 대규모 자율주행 시스템의 신뢰성, 안전성, 그리고 실시간 처리 능력을 극대화하는 혁신적인 기계학습 기술 개발에 앞장설 것입니다.

지속적 학습(Continual Learning)과 생애학습(Life-long Learning)은 인공지능이 새로운 환경이나 데이터에 적응하면서도 기존에 학습한 지식을 잃지 않는 능력을 의미합니다. 본 연구실은 인공지능 모델이 다양한 도메인과 환경 변화에 유연하게 적응할 수 있도록, 지속적 학습 및 도메인 일반화 기술을 중점적으로 연구하고 있습니다. 이는 실제 환경에서의 데이터 분포 변화, 도메인 시프트, 그리고 한정된 데이터 상황에서의 성능 저하 문제를 해결하는 데 중요한 역할을 합니다. 구체적으로, 본 연구실은 자기지도 학습 기반의 도메인 일반화, 대조 학습(Contrastive Learning) 기반의 정규화, 그리고 커리큘럼 학습을 통한 도메인 노출 순서 최적화 등 다양한 방법론을 개발하였습니다. 또한, 텍스트 정보를 활용한 도메인 비특이적 이미지 분류, 멀티도메인에 강인한 멀티모달 기반 3D 객체 인식 등 실제 응용에 적합한 기술을 지속적으로 선보이고 있습니다. 이러한 연구는 의료 영상, 자율주행, 영상 생성 등 다양한 분야에서 모델의 일반화 성능을 극대화하고, 실제 환경 변화에 강인한 인공지능 시스템 구축에 기여하고 있습니다. 앞으로도 본 연구실은 인공지능의 지속적 성장과 적응을 위한 혁신적인 학습 패러다임을 제시할 계획입니다.

파운데이션 모델(Foundation Models)은 대규모 데이터와 연산 자원을 활용하여 다양한 태스크에 범용적으로 적용 가능한 인공지능 모델을 의미합니다. 본 연구실은 파운데이션 모델의 구조적 혁신, 효율적 파인튜닝, 그리고 실제 응용 분야에서의 활용성 극대화에 초점을 맞추고 있습니다. 특히, 텍스트-이미지, 텍스트-비디오, 텍스트-사운드 등 다양한 멀티모달 태스크에서의 파운데이션 모델 연구가 활발히 이루어지고 있습니다. 최근에는 생성형 AI(Generative AI)와 결합하여, 텍스트 프롬프트 기반 이미지/비디오 생성, 사운드 반응형 비디오 생성, 사용자 맞춤형 생성 모델 등 다양한 혁신적 응용을 선보이고 있습니다. 또한, 보상 신호를 활용한 텍스트-이미지 디퓨전 모델의 효율적 파인튜닝, 대규모 언어모델(LLM) 기반 응용 서비스 개발, 국방 및 산업 분야 초거대 AI 적용 방안 연구 등 사회적 파급력이 큰 프로젝트도 진행 중입니다. 이러한 연구는 인공지능의 범용성, 적응성, 그리고 창의적 문제 해결 능력을 극대화하는 데 기여하고 있습니다. 앞으로도 본 연구실은 파운데이션 모델과 생성 AI의 융합을 통해, 차세대 인공지능 기술의 새로운 패러다임을 제시할 것입니다.