본 연구실은 딥 뉴럴 네트워크(Deep Neural Network, DNN)를 활용한 시각 정보 처리 분야에서 세계적인 연구를 수행하고 있습니다. 객체 검출, 분류, 약지도 및 준지도 학습 기반 의미적 분할 등 다양한 컴퓨터 비전 문제를 해결하기 위해 최신 딥러닝 모델과 학습 전략을 개발하고 있습니다. 특히, 이미지 내 객체의 위치를 정확히 파악하는 약지도 객체 검출, 다양한 환경에서의 강인한 분류, 의료 영상 등 특수 도메인에 특화된 영상 처리 기술에 집중하고 있습니다. 이러한 연구는 대규모 데이터셋이 부족한 환경에서도 효과적으로 학습할 수 있는 데이터 효율적 학습, 노이즈가 많은 데이터에서의 견고한 예측, 그리고 실제 임상 및 산업 현장에서 활용 가능한 신뢰성 높은 모델 개발에 초점을 맞추고 있습니다. 최근에는 LiDAR 센서 데이터를 활용한 3D 객체 인식 및 분할, 악조건 환경에서의 의미적 분할 등 자율주행 및 로봇 비전 분야로도 연구를 확장하고 있습니다. 또한, 다양한 정규화 및 데이터 증강 기법을 통해 모델의 일반화 성능을 극대화하는 방법론도 활발히 연구 중입니다. 이러한 연구 성과는 세계 최고 수준의 학회 및 저널에 다수 게재되고 있으며, 실제 의료 영상 분석, 자율주행, 로봇 비전 등 다양한 응용 분야에서 실질적인 성과로 이어지고 있습니다. 앞으로도 본 연구실은 딥 뉴럴 네트워크 기반 시각 정보 처리의 한계를 극복하고, 더욱 지능적이고 신뢰성 높은 인공지능 비전 시스템 개발을 목표로 연구를 지속할 예정입니다.

생성적 적대 신경망(Generative Adversarial Networks, GANs)과 딥러닝 기반 생성 모델을 활용한 이미지 합성 및 편집 기술은 본 연구실의 또 다른 핵심 연구 분야입니다. 본 연구실은 이미지 합성, 편집, 얼굴 모델링, 폰트 생성 등 다양한 생성적 비전 문제를 다루며, 특히 로컬 패치 기반 조건부 생성, 약지도 학습 기반 폰트 생성, 텍스트-이미지 변환 등 최신 트렌드를 선도하고 있습니다. 이 분야에서는 단순히 이미지를 생성하는 것을 넘어, 사용자가 원하는 속성이나 지역적 특성을 반영한 맞춤형 이미지 생성, 실제와 구분이 어려운 고품질 합성, 그리고 기존 이미지의 일부만을 편집하는 세밀한 조작 기술 개발에 집중하고 있습니다. 또한, GAN의 한계로 지적되는 모드 붕괴, 품질-충실도 트레이드오프, 데이터 부족 문제 등을 해결하기 위한 새로운 학습 전략과 평가 방법론도 활발히 연구되고 있습니다. 이러한 연구는 예술 및 디자인, 가상현실, 증강현실, 게임, 광고, 미디어 등 다양한 산업 분야에서 활용될 수 있으며, 실제로 본 연구실의 기술은 국내외 특허 및 산업 협력 프로젝트를 통해 실용화되고 있습니다. 앞으로도 본 연구실은 생성 모델의 표현력과 제어력을 극대화하여, 인간의 창의성과 상호작용을 지원하는 차세대 인공지능 생성 기술을 개발하는 데 앞장설 것입니다.

3차원 비전(3D Vision) 및 모델링·재구성 분야는 본 연구실의 오랜 연구 축적이 있는 영역입니다. 본 연구실은 깊이 카메라, LiDAR, RGB-D 센서 등 다양한 3D 센서 데이터를 활용하여, 반투명·투명 객체의 3D 복원, 실내외 환경의 3D 재구성, 의료 영상의 3D 디노이징 및 디블러링 등 다양한 응용 문제를 해결하고 있습니다. 특히, 단일 혹은 다중 뷰에서의 3D 형상 복원, 반투명/고반사 물체의 깊이 왜곡 보정, 3D 객체의 부분 분할 및 편집, 그리고 3D 데이터 기반의 의미적 분할 등 최신 3D 비전 기술을 개발하고 있습니다. 또한, 3D 데이터의 노이즈, 아티팩트, 불완전성 문제를 극복하기 위한 딥러닝 기반 보정 및 복원 알고리즘도 활발히 연구되고 있습니다. 이러한 기술은 의료 영상(CT, MRI 등)에서의 진단 정확도 향상, 로봇 내비게이션, 증강현실 등 다양한 분야에 적용되고 있습니다. 본 연구실은 3D 비전 분야에서의 다수의 특허와 논문, 그리고 실제 산업 협력 프로젝트를 통해 기술의 실용성과 혁신성을 입증하고 있습니다. 앞으로도 3D 비전 및 모델링·재구성 분야에서 새로운 이론과 실용적 솔루션을 지속적으로 제시하며, 차세대 공간지능형 인공지능 시스템 개발에 기여할 계획입니다.

데이터 마이닝과 추천 시스템 분야 역시 본 연구실의 주요 연구 축입니다. 본 연구실은 대규모 데이터에서의 효율적인 정보 검색, 해싱, 추천 알고리즘 개발에 집중하고 있으며, 특히 딥러닝 기반의 협업 필터링, 세션 기반 추천, 데이터 증강을 통한 희소 데이터 극복 등 다양한 최신 이슈를 다루고 있습니다. 추천 시스템에서는 사용자 행동 데이터의 불균형, 희소성, 장기 미관측 문제를 해결하기 위한 새로운 모델 구조와 학습 방법론을 제안하고 있습니다. 예를 들어, Mixup 기반의 데이터 증강, 지식 증류를 활용한 추천 성능 향상, 세션 기반 추천에서의 아이템 간 관계 학습 등 다양한 혁신적 접근법을 통해 실제 서비스에서의 추천 품질을 높이고 있습니다. 이러한 연구는 전자상거래, 미디어, 소셜 네트워크, 의료 데이터 분석 등 다양한 산업 분야에서 활용되고 있으며, 실제로 국내외 기업 및 기관과의 협력을 통해 실질적인 성과를 창출하고 있습니다. 앞으로도 본 연구실은 데이터 마이닝 및 추천 시스템 분야에서 데이터 효율성과 예측 정확도를 극대화하는 차별화된 인공지능 기술을 개발하는 데 주력할 것입니다.