한보형 연구실
전기·정보공학부 한보형
한보형 연구실은 전기·정보공학부 소속으로, 시각정보처리와 컴퓨터 비전, 그리고 인공지능 분야에서 세계적인 연구 성과를 내고 있는 연구실입니다. 본 연구실은 이미지와 비디오 내의 객체 인식, 추적, 분할, 시맨틱 세그멘테이션 등 다양한 시각적 이해 문제를 다루며, 딥러닝 기반의 최신 알고리즘을 활용하여 실제 환경에서 활용 가능한 기술 개발에 주력하고 있습니다.
특히, 약한 지도학습, 멀티모달 표현 학습, 실시간 객체 추적, 배경 모델링 등 다양한 컴퓨터 비전 문제에 대한 창의적이고 실용적인 해법을 제시하고 있습니다. 연구실은 Absorbing Markov Chain, Graph Convolutional Network, Neural Architecture Search, Meta-Learning 등 첨단 기계학습 기법을 융합하여 기존의 한계를 극복하고, 자율주행, 감시 시스템, 의료 영상 분석, 로봇 비전 등 다양한 응용 분야에 직접적으로 기여하고 있습니다.
또한, 생성 모델과 신뢰성 있는 인공지능 분야에서도 선도적인 연구를 수행하고 있습니다. 텍스트-이미지 변환, 비디오 생성, 적대적 공격에 강인한 모델 설계, 설명 가능한 인공지능, 연합 학습 등 다양한 주제를 다루며, 실제 환경에서 발생할 수 있는 예기치 못한 상황에 대응할 수 있는 견고한 인공지능 기술을 개발하고 있습니다. 이러한 연구는 예술, 디자인, 엔터테인먼트, 데이터 증강 등 다양한 분야에 혁신적인 변화를 가져오고 있습니다.
연구실은 국내외 유수 학회 및 대회에서 다수의 수상 실적을 거두었으며, 산업체와의 협력을 통해 연구 성과의 실용화와 상용화에도 앞장서고 있습니다. 정부 및 산업체와의 다양한 프로젝트를 수행하며, 신뢰성 있는 인공지능 기술의 확산과 산업적 적용을 선도하고 있습니다.
한보형 연구실은 앞으로도 시각정보처리, 생성 모델, 신뢰성 있는 인공지능 등 다양한 분야에서 혁신적인 연구를 지속적으로 추진할 계획입니다. 이를 통해 인공지능 기술의 발전과 사회적 가치 창출에 기여하고, 차세대 인재 양성에도 힘쓰고 있습니다.
Federated Learning
3D Human Mesh Estimation
Neural Radiance Fields
시각정보처리 및 컴퓨터 비전
한보형 연구실은 시각정보처리와 컴퓨터 비전 분야에서 세계적인 연구를 수행하고 있습니다. 본 연구실은 이미지와 비디오 내의 객체 인식, 추적, 분할, 그리고 시맨틱 세그멘테이션 등 다양한 시각적 이해 문제를 다룹니다. 특히, 약한 지도학습(weakly supervised learning) 기반의 객체 검출 및 의미론적 분할, 실시간 객체 추적, 배경 모델링 등 실제 환경에서 활용 가능한 기술 개발에 중점을 두고 있습니다.
연구실은 딥러닝 기반의 최신 알고리즘을 적극적으로 도입하여, 복잡한 시각적 데이터를 효율적으로 분석하고 해석하는 방법을 개발합니다. 예를 들어, Absorbing Markov Chain, Graph Convolutional Network, Meta-Learning, Neural Architecture Search 등 다양한 기계학습 기법을 융합하여, 기존의 한계를 극복하고 성능을 극대화하는 연구를 진행하고 있습니다. 또한, 멀티모달 데이터(이미지-텍스트, 비디오-텍스트 등)를 활용한 표현 학습과 생성 모델 개발에도 활발히 참여하고 있습니다.
이러한 연구는 자율주행, 감시 시스템, 의료 영상 분석, 로봇 비전 등 다양한 응용 분야에 직접적으로 기여하고 있습니다. 실제로, 연구실의 기술은 국제 컴퓨터 비전 대회에서 다수의 수상 실적을 거두었으며, 산업체와의 협력을 통해 실용화 및 상용화에도 앞장서고 있습니다.
생성 모델 및 신뢰성 있는 인공지능
본 연구실은 생성 모델(Generative Model)과 신뢰성 있는 인공지능(AI Reliability) 분야에서도 선도적인 연구를 수행하고 있습니다. 텍스트-이미지 변환, 이미지-이미지 변환, 비디오 생성 등 다양한 생성적 인공지능 기술을 개발하며, 최근에는 디퓨전 모델, 변분 오토인코더, 신경 암시 함수(Neural Implicit Function) 등 첨단 생성 모델을 활용한 연구가 활발히 이루어지고 있습니다. 이러한 연구는 예술, 디자인, 엔터테인먼트, 데이터 증강 등 다양한 분야에 혁신적인 변화를 가져오고 있습니다.
특히, 생성 모델의 신뢰성과 안전성 확보를 위한 연구도 병행하고 있습니다. 적대적 공격(adversarial attack)에 강인한 모델 설계, 불확실성 추론, 설명 가능한 인공지능(XAI), 연합 학습(Federated Learning) 등 신뢰성 있는 AI 시스템 구축을 위한 다양한 방법론을 제안하고 있습니다. 이를 통해 실제 환경에서 발생할 수 있는 예기치 못한 상황에 대응할 수 있는 견고한 인공지능 기술을 개발하고 있습니다.
이와 더불어, 연구실은 인공지능의 사회적 책임과 윤리 문제에도 관심을 가지고, 신뢰성 있는 AI의 표준화와 실용화를 위한 정책 및 기술 개발에도 적극적으로 참여하고 있습니다. 정부 및 산업체와의 협력 프로젝트를 통해, 신뢰성 있는 인공지능 기술의 확산과 산업적 적용을 선도하고 있습니다.
1
Conditional Score Guidance for Text-Driven Image-to-Image Translation
강민수, 이현수, 한보형
Conference on Neural Information Processing Systems, 202312
2
Generative Neural Fields by Mixtures of Neural Implicit Functions
유택근, 김미정, 김정택, 한보형
Conference on Neural Information Processing Systems, 202312
3
Beyond Pretrained Features: Noisy Image Modeling Provides Adversarial Defense
Daochang Liu, Zunzhi You, 한보형, Chang Xu
Conference on Neural Information Processing Systems, 202312
1
연속 시간/공간에서의 비마르코프 샘플링 기반 연합 학습 및 생성 모델 최적화
2
독립적인 학습 장치들로부터 수집된 집합 지식을 이용해 고차원적 과제를 수행하는 과제 분산형 연합 학습
