본 연구실은 CT, PET/SPECT 등 다양한 의료영상 장비에서 획득한 데이터를 기반으로 한 첨단 영상 재구성 및 정량화 기술을 개발하고 있습니다. 특히, 환자의 움직임, 비선형 영상 획득, 노이즈가 많은 측정값 등 실제 임상 환경에서 발생하는 다양한 비이상적 상황을 고려한 알고리즘 연구에 집중하고 있습니다. 이를 통해 기존 영상 재구성 방법의 한계를 극복하고, 임상적으로 신뢰할 수 있는 고품질 영상과 정량적 정보를 제공하는 것을 목표로 하고 있습니다. 이러한 연구는 Monte Carlo 시뮬레이션, 약한 지도학습, 자기지도학습 등 최신 신호처리 및 머신러닝 기법을 융합하여 진행됩니다. 예를 들어, SPECT 영상에서 산란 보정, 움직임 보정, 노이즈 저감 등 다양한 문제를 해결하기 위해 물리 기반 모델과 딥러닝을 결합한 새로운 프레임워크를 제안하고 있습니다. 또한, 환자 맞춤형 정량화 및 임상 적용을 위한 빠른 파인튜닝 기법 등 실제 의료 현장에서 활용 가능한 기술 개발에도 힘쓰고 있습니다. 이러한 연구 성과는 IEEE Transactions on Medical Imaging, Medical Physics, Medical Image Analysis 등 세계적인 저널과 MICCAI, ISBI 등 국제 학회에 다수 발표되고 있습니다. 본 연구실의 의료영상 연구는 진단 정확도 향상, 치료 계획 최적화, 환자 맞춤형 의료 실현 등 미래 의료 혁신에 기여하고 있습니다.

본 연구실은 생성형 인공지능(Generative AI)과 확산 모델(Diffusion Model)을 활용한 텍스트-이미지/비디오 생성, 개인화, 효율적 적응 등 차세대 인공지능 기술을 선도적으로 연구하고 있습니다. 텍스트로부터 이미지를 생성하는 텍스트-투-이미지(text-to-image) 및 텍스트-투-비디오(text-to-video) 생성, 다양한 도메인에 대한 적응, 메모리 효율적 모델 설계, 개인 맞춤형 생성 등 실세계에서 요구되는 다양한 문제를 해결하는 데 집중하고 있습니다. 특히, 본 연구실은 효율적인 적응 및 개인화 기술 개발에 주력하고 있습니다. 예를 들어, 백프로파게이션 없이도 양자화된 확산 모델을 빠르게 개인화하는 방법, 훈련 데이터 없이도 다중 레이블 인식이 가능한 방법, 개념 지우기(concept erasure) 및 개념 핀포인트(Concept Pinpoint Eraser) 등 생성 모델의 제어와 해석 가능성을 높이는 연구를 수행하고 있습니다. 또한, 3D 생성 모델, 도메인 적응, 오픈-보캐뷸러리 세그멘테이션 등 다양한 컴퓨터 비전 문제에 확산 모델을 적용하고 있습니다. 이러한 연구는 CVPR, ICCV, NeurIPS, ICLR, ICML 등 세계 최고 수준의 인공지능 및 컴퓨터 비전 학회에 꾸준히 발표되고 있으며, 관련 특허도 활발히 출원되고 있습니다. 본 연구실의 생성형 AI 연구는 차세대 미디어, 의료, 로보틱스 등 다양한 산업 분야에서 혁신적인 응용 가능성을 제시하고 있습니다.

본 연구실은 현실 세계의 다양한 영상 열화 요인(노이즈, 저해상도, 왜곡 등)에 강인한 컴퓨터 비전 및 영상 복원 기술을 개발하고 있습니다. 슈퍼해상도, 의미론적 분할, 디노이징, 실세계 영상 향상 등 다양한 영상 복원 및 해석 문제를 딥러닝 기반으로 해결하며, 실제 환경에서의 적용 가능성과 성능을 동시에 추구합니다. 특히, 다양한 화질 저하 요소에 동시에 대응하는 올인원 영상 복원 모델, 적응적 필터링, 저용량/고효율 네트워크 설계, 테스트 타임 적응 등 최신 기법을 적극적으로 도입하고 있습니다. 또한, 의료영상, 로보틱스, 자율주행 등 다양한 응용 분야에 맞춤형 영상 복원 및 해석 기술을 적용하여, 실제 문제 해결에 기여하고 있습니다. 이러한 연구는 CVPR, ECCV, AAAI 등 세계적 학회에서 다수 수상 및 발표되었으며, 관련 특허도 활발히 등록되고 있습니다. 본 연구실의 강건한 컴퓨터 비전 연구는 실세계 데이터의 한계와 도전과제를 극복하고, 신뢰성 높은 인공지능 기반 영상 처리의 새로운 패러다임을 제시하고 있습니다.