이 연구 주제는 연구실의 출발점이자 정체성을 보여주는 핵심 분야로, 디지털 영상 데이터의 처리·분석·압축·보호 기술을 중심으로 전개된다. 특히 MPEG 계열 비디오 부호화 환경에서 영상 품질을 유지하면서도 저작권 정보를 삽입할 수 있는 디지털 워터마킹 기술은 멀티미디어 콘텐츠 유통이 급증하는 환경에서 매우 중요한 의미를 가진다. 연구실은 영상의 전역적·지역적 특성을 고려하여 워터마크 삽입 강도와 위치를 조절함으로써 사람의 시각적 인지 품질 저하를 최소화하는 방향의 연구를 수행해 왔다. 기술적으로는 압축 비디오 스트림에서 직접 워터마크를 삽입하거나 추출할 수 있는 방법, 원본 영상 없이도 워터마크 검출이 가능한 구조, 외부 공격이나 변형에도 견딜 수 있는 강인한 정보 은닉 기법이 핵심이다. 이는 단순한 멀티미디어 보안 기술을 넘어, 실시간 시스템 구현 가능성까지 고려한 응용 지향형 연구라는 점에서 의미가 크다. 또한 내용 기반 영상 검색, 모션 벡터 개선, 트랜스코딩 등 영상시스템 전반에 대한 연구 이력은 연구실이 영상 표현과 전송, 해석 전 과정에 대한 깊은 이해를 가지고 있음을 보여준다. 이러한 연구는 오늘날 스트리밍 서비스, 디지털 아카이브, 온라인 교육 콘텐츠, 의료영상 저장 및 유통 환경 등 다양한 영역에 확장될 수 있다. 향후에는 기존 워터마킹 기술이 인공지능 기반 위변조 탐지, 멀티모달 콘텐츠 인증, 생성형 AI 콘텐츠의 출처 추적 기술과 결합되면서 더욱 높은 실용성을 확보할 수 있다. 따라서 연구실의 영상신호처리 연구는 전통적인 멀티미디어 공학과 현대적 AI 보안 기술을 연결하는 기반 기술로 평가할 수 있다.

연구실의 최근 연구 흐름은 개별 머신러닝 모델 개발을 넘어, 데이터 준비부터 학습·배포·운영·재학습까지 전 주기를 체계적으로 관리하는 MLOps 환경 구축으로 확장되고 있다. 특히 Kubeflow 기반의 자동화 파이프라인, BentoML 중심의 배포 전략, TensorFlow 및 다양한 머신러닝 개발환경 비교 연구를 통해 실제 서비스 가능한 AI 시스템을 구축하는 데 초점을 맞추고 있다. 이는 연구용 프로토타입 수준을 넘어 산업 현장에서 재현 가능하고 유지보수가 쉬운 AI 운영 체계를 지향한다는 점에서 중요하다. 세부적으로는 하이퍼파라미터 자동 최적화, AutoML 기반 성능 개선, 데이터 전처리 및 결측값 처리, GPU 자원 분할과 활용 최적화, API 문서화 및 배포 표준화 등이 주요 연구 요소로 나타난다. 또한 객체 탐지 데이터셋 구축을 위한 자동 라벨링 시스템과 다양한 어노테이션 형식의 통합 지원 연구는 데이터 엔지니어링과 모델 성능 향상을 함께 고려하는 접근을 보여준다. 이 과정에서 Kubeflow는 반복 가능한 파이프라인 운영을 가능하게 하고, BentoML은 실제 모델 서비스의 안정성과 관리 효율을 높이는 핵심 도구로 활용된다. 이 연구 방향은 대학 연구실의 AI 성과를 산업 현장과 의료 현장으로 연결하는 데 매우 실질적인 의미를 가진다. 향후에는 컨테이너 기반 클라우드 환경, 엣지 AI, 멀티 GPU 자원 스케줄링, 모델 모니터링 및 드리프트 탐지 기술과 결합되어 더욱 고도화될 가능성이 높다. 결국 연구실의 MLOps 연구는 단순히 모델 정확도를 높이는 것을 넘어, 신뢰성 있고 확장 가능한 AI 서비스 생태계를 구축하는 핵심 기반 기술로 자리매김하고 있다.

연구실은 최근 의료 분야와의 융합을 통해 디지털 헬스케어용 인공지능 시스템 개발을 활발히 수행하고 있다. 대표적으로 고막 영상 분석을 통한 귀 질환 진단, 심전도와 심박수 예측을 활용한 심장 재활 환자 상태 예측, 액체생검 데이터 기반 패혈증 임상결정지원시스템, 전혈구 자동 분석 네트워크 시스템 개발 등이 있다. 이러한 연구는 영상·신호처리 전통 역량과 최신 머신러닝 기술을 결합하여 의료 현장에서 직접 활용 가능한 진단 및 예후 예측 도구를 만드는 데 목적이 있다. 연구 방법 측면에서는 의료영상 분류와 객체 검출, 생체신호 전처리, 멀티모달 데이터 통합, 데이터웨어하우스 구축, 임상 활용 검증, 인허가 대응을 포함한 전주기 시스템 개발이 특징적이다. 즉, 단순히 알고리즘 성능만 평가하는 수준을 넘어서 실제 의료기기 및 임상결정지원시스템으로 이어질 수 있도록 플랫폼화와 운영 관리 기능까지 함께 설계하고 있다. 또한 웨어러블 디바이스, 바이오패치, 생체데이터 수집 인프라와 연계된 사업 경험은 연구실이 데이터 획득부터 분석, 서비스화까지 포괄적으로 다룰 수 있음을 보여준다. 이러한 융합 연구는 고령화와 만성질환 증가, 의료 인력 부족, 조기진단 수요 확대라는 사회적 과제에 직접 대응할 수 있다는 점에서 가치가 크다. 향후 연구는 설명 가능한 의료 AI, 개인맞춤형 예후 예측, 실시간 모니터링, 현장형 진단기기와의 통합, 임상 신뢰성 검증으로 더욱 확장될 가능성이 높다. 따라서 연구실의 디지털 헬스케어 연구는 인공지능의 실제 사회적 파급효과를 높이는 응용 중심 연구로서 높은 잠재력을 가진다.