본 연구실은 딥러닝과 컴퓨터 비전의 융합을 통해 영상 정합(visual correspondence) 및 깊이 추정(depth estimation) 분야에서 세계적인 연구를 선도하고 있습니다. 영상 정합은 서로 다른 시점이나 시간에 촬영된 이미지들 간의 픽셀 단위 대응 관계를 찾는 기술로, 장면 정렬, 이미지 융합, 영상 편집 및 향상 등 다양한 응용 분야에 필수적입니다. 특히, 스테레오 매칭(stereo matching), 옵티컬 플로우(optical flow), 시멘틱 정합(semantic correspondence) 등 다양한 정합 문제에 대해 CNN 기반의 혁신적인 알고리즘을 개발해왔으며, 이 과정에서 신뢰도 추정(stereo confidence estimation)과 같은 후처리 기술도 함께 연구하고 있습니다. 깊이 추정 분야에서는 단일 영상(monocular depth estimation)만으로 3차원 정보를 복원하는 기술에 집중하고 있습니다. 이는 자율주행, 로보틱스, 3D 재구성, 장면 이해 등 다양한 실제 문제에 적용될 수 있는 핵심 기술입니다. 본 연구실은 대규모 RGB-D 데이터셋을 활용한 데이터 기반 접근법, 자기지도 학습(self-supervised learning), 지식 증류(knowledge distillation) 등 최신 딥러닝 기법을 접목하여, 정답 데이터가 부족한 상황에서도 높은 성능을 달성할 수 있는 방법론을 제시하고 있습니다. 이러한 연구는 IEEE TPAMI, TIP, TCSVT 등 컴퓨터 비전 분야의 최상위 저널과 CVPR, ICCV, ECCV 등 국제 학술대회에서 활발히 발표되고 있으며, 실제 산업 현장과 연계된 다양한 프로젝트 및 특허 출원으로 이어지고 있습니다. 본 연구실의 연구는 영상 처리의 근본적인 문제 해결과 더불어, 실세계 응용을 위한 실용적이고 확장성 높은 솔루션 개발에 중점을 두고 있습니다.

시멘틱 세분화(semantic segmentation)와 멀티태스킹(multi-task learning)은 복잡한 장면에서 객체의 의미적 정보를 정밀하게 파악하고, 다양한 작업을 동시에 수행할 수 있는 인공지능 시스템 구현의 핵심입니다. 본 연구실은 시멘틱 세분화의 정확도를 높이기 위해 약지도(weakly-supervised), 자기지도(self-supervised), 도메인 적응(domain adaptation) 등 다양한 학습 패러다임을 연구하고 있습니다. 특히, 지식 증류(knowledge distillation) 기반의 도메인 적응, 경계 인식(contour-aware) 학습, 픽셀-배경 구분을 위한 미세 표현(fine-grained background representation) 등 최신 기법을 개발하여, 실제 환경 변화에 강인한 시멘틱 세분화 모델을 제시하고 있습니다. 멀티태스킹 분야에서는 깊이 추정, 객체 검출, 시멘틱 세분화 등 여러 비전 작업을 하나의 네트워크에서 효율적으로 처리하는 방법론을 연구합니다. Task-Adaptive Dynamic Transformer(TADFormer)와 같은 혁신적인 네트워크 구조를 통해, 각 작업 간의 상호보완적 정보를 효과적으로 활용하고, 연산 효율성과 성능을 동시에 극대화하는 모델을 개발하고 있습니다. 또한, 강화학습(reinforcement learning)과 비전의 결합을 통해, 변화하는 환경에서 자율적으로 적응하고 계획할 수 있는 인공지능 시스템 연구도 활발히 진행 중입니다. 이러한 연구는 자율주행, 로봇, 스마트 시티, 의료 영상 등 다양한 실제 응용 분야에 적용되고 있으며, 국내외 주요 연구과제와 산업체 협력 프로젝트를 통해 그 실효성이 검증되고 있습니다. 본 연구실은 차세대 인공지능의 핵심인 적응형, 통합형, 실시간 비전 시스템 개발을 목표로, 이론적 연구와 실용적 응용을 동시에 추구하고 있습니다.