연구자료실
설비 연결, 품질 검사, 생산 분석과 제조 업무에 관련된 외부 논문입니다.
연구자료 검색
새 논문 요약
요점은 편집자가 정리한 메모입니다. 원저자의 표현과 다를 수 있으니 원문을 확인하세요. 2026-11-20 갱신.
- 700AI / General
AREX: Towards a Recursively Self-Improving Agent for Deep Research
- 발견-검증 비대칭성(답을 찾기는 어렵지만 검증은 쉬운 특성)을 활용해 검증을 다음 연구 라운드의 출발점으로 삼았다.
- 자체 컨텍스트 압축 도구로 긴 대화 내용을 핵심만 남겨서 긴 호라이즌 연구가 가능하다.
- 4B 모델로 BrowseComp 82.5점, HLE 52.4점으로 비슷한 규모 경쟁 모델 대폭 상회한다.
- 에이전트 미드-트레이닝과 장호라이즌 강화학습으로 검색·도구 사용·검증을 단계적으로 가르쳤다.
- 핵심 증거 획득 시점에 가중치를 부여해 희소 보상의 신용 할당 문제를 완화했다.
- 699Computer Vision
SANA-Video 2.0: Hybrid Linear Attention with Attention Residuals for Efficient Video Generation
- 선형 어텐션과 소프트맥스 어텐션을 3:1 비율로 섞어 속도와 품질을 동시에 잡았다.
- AttnRes 기법으로 깊은 층의 정보 품질이 약 12% 향상되었다.
- H100 GPU 한 대로 720p 비디오를 13초에 생성한다 (기존 Wan 2.2 대비 120배 빠름).
- 소프트맥스 25%가 품질과 효율의 최적 균형점임을 처음부터 직접 학습하며 확인했다.
- 커널 최적화(Sol-Engine)로 추가 3.58배 가속을 달성했다.
- 698LLMs / NLP
Solar Open 2 Technical Report
- 250B-A15B MoE 구조로 Solar Open 1(102B)에서 스케일업하면서 2.3% 매개변수만 선택적 전달했다.
- 하이브리드 어텐션(선형 75% + 소프트맥스 25%) + NoPE로 1M 토큰 컨텍스트를 지원한다.
- 한국어 토크나이저 효율이 글로벌 모델 대비 24% 높다 (같은 한국어를 더 적은 토큰으로 표현).
- 한국어 벤치마크 평균에서 동급 오픈모델 및 상용 API 중 1위, Ko-GDPval에서 DeepSeek-V4-Pro(1.6T)와 거의 동등.
- 12개 도메인 전문가를 다교사 온정책 증류(MOPD)로 하나의 모델에 통합했다.
- 697Research
Scalable Keyword Spotting via Modular Network Expansion
- 베이스 네트워크 전체(배치 정규화 통계 포함)를 얼려서 기존 키워드 성능이 픽셀 단위로 보존된다.
- 10K 매개변수(베이스 150K의 6.7%) 추가만으로 새 키워드 FRR을 6.46%에서 4.37%로 개선했다.
- Adapter나 LoRA보다 적은 MACs(16.34M vs 18.45M/20.52M)로 더 좋은 성능을 달성했다.
- 코어 우선 판정 규칙으로 기존 키워드 임계값 동작이 정확히 유지된다.
- 기존 학습 데이터 접근 없이 새 키워드 데이터만으로 확장이 가능하다.
- 696Computer Vision
ATSplat: Compact Feed-forward 3D Gaussian Splatting with Adaptive Token Expansion
- 적응적 토큰 확장(ATE) 모듈이 렌더링 오류가 큰 영역을 자동으로 찾아 가우시안을 추가한다.
- 기존 dense 방식 대비 가우시안 수를 5.7배 이상 줄이면서도 SOTA 품질을 달성했다.
- 12장의 512×960 이미지에서 1초 미만 재건, 1136 FPS 렌더링을 기록했다.
- 3D 앵커 오프셋 설계로 가우시안 배치를 입력 픽셀 그리드에서 분리했다.
- 불확실성 예측이 실제 렌더링 오류와 잘 일치함을 시각적으로 확인했다.
- 695AI / General
Pushing the Frontier of Full-Song Generation: Hierarchical Autoregressive Planning Meets Flow-Matching Rendering
- 가사→곡, 기악곡, 커버곡 3가지 작업을 하나의 프레임워크에서 지원한다.
- Artificial Analysis Music with Vocals 리더보드 Elo 1,129점으로 공동 2~3위 (1위와 12점 차이).
- 8개 장르·5개 언어 500곡 테스트에서 18개 지표 중 15개에서 최고점을 받았다.
- FullDiT가 청크 단위가 아닌 전곡 단위 flow matching을 수행해 전역 일관성을 유지한다.
- DPO + GRPO + OPD 후훈련으로 음악성과 렌더링 품질을 모두 개선했다.
- 694LLMs / NLP
SLAI T-Rex: Full-Parameter Post-training of the DeepSeek-V4 Family on Ascend SuperPOD
- Ascend SuperPOD에서 DeepSeek-V4-Pro(1.6T) 학습 MFU를 11.67%에서 34.22%로 끌어올렸다 (2.93배).
- AuraKernel이라는 에이전트로 복잡한 NPU 커널을 자동 최적화했다.
- OR(운영연구) 특화 CPT+SFT로 10K 고품질 데이터를 구축하고 solver 검증을 적용했다.
- 특화 모델이 평균 zero-shot Pass@1 71.81%로 GPT-5.4-Mini보다 3.98%p, 베이스보다 11.27%p 높다.
- GPU가 아닌 NPU 기반 트리llion 모델 학습의 전체 스택 실천 사례를 제공했다.
- 693Machine Learning
ISO: An RLVR-Native Optimization Stack
- RLVR 학습 후 가중치 스펙트럼은 거의 변하지 않는다는 '스펙트럼 상속' 현상을 발견하고 검증했다.
- ISO-Optimizer는 Qwen3-8B에서 AdamW와 동일 정확도를 2.7배 적은 스텝(270→100)으로 달성했다.
- ISO-Merger는 데이터·롤아웃·그래디언트 없이 체크포인트만으로 전문가 모델을 병합한다.
- 스펙트럼만 고정하고 프레임을 얼리면 성능이 거의 오르지 않아, 양쪽 프레임 모두 학습 가능해야 한다.
- 1.5B~8B 규모의 추론·코딩 과제에서 일관된 효율 개선을 보였다.
- 692Robotics
Robots Acquire Manipulation Skills in Seconds from a Single Human Video
- 사람 영상 1개로 평균 29초 만에 새 기술을 습득한다 (기존 대비 507배 빠름).
- 평균 62% 성공률을 달성하며, 제로샷 기준보다 +45%, 50개 로봇 데모로 미세조정한 기준보다도 높다.
- 학습 파라미터를 건드리지 않아 기존 기술이 100% 보존된다 (파괴적 망각 제로).
- 작업 진행 매니폴드로 영상과 로봇 궤적을 정렬해서 시간 불일치와 상태 차이를 해결했다.
- 국소화→미래 관측 예측→행동 생성의 인과적 캐스케이드로 추론 시점 적응을 구현했다.
- 691Machine Learning
Intelligence from Learnable Novelty
- 지능의 세 가지 모습(데이터 압축, 보편 계산, 적응 행동)이 '배울 수 있는 새로움' 극대화라는 단일 원리에서 나온다는 걸 보였다.
- 튜링 완전한 rule 110을 1차원 세포자동자 중 1위로 복원했다 (복잡도 순위 수십 년 연구와 일치).
- 레이블 없이 MNIST 숫자 클래스를 분리하는 표현 학습을 달성했다 (완전 비지도).
- 강화학습 내재 보상으로 쓰면 10개 환경 중 9개에서 성능이 올라간다.
- 노이즈 TV 함정과 어두운 방 함정을 동시에 회피하는 수학적 구조를 갖추고 있다.
- 690Computer Vision
Self Gradient Forcing: Native Long Video Extrapolation
- Self Forcing의 치명적 약점인 '과거 맥락 기울기 갭'을 처음으로 정의하고 해결했다.
- 2패스 전략(패스1: 롤아웃 기록, 패스2: 병렬 기울기 복원)으로 메모리 오버헤드 없이 문제를 해결했다.
- 5초 훈련 영상만으로 240초까지 일관된 장영상 생성이 가능하다 (피사체 정체성, 배경 일관성, 시간 안정성 모두 향상).
- 사용자 연구에서 모든 설정에서 Self Forcing보다 선호도가 높았다 (GSB 29.6%~48.7%).
- 피크 메모리 증가가 8GB에 불과하고, 학습 속도 저하도 13% 수준으로 실용적이다.
- 689Computer Vision
IGGT4D: Streaming 4D Instance-Grounded Geometry Transformer
- 비디오 스트림에서 기하학과 인스턴스 정체성을 동시에 예측하는 최초의 스트리밍 트랜스포머다.
- 인과적 마스킹으로 프레임을 순차 처리하며, 과거 컨텍스트를 KV 캐시로 재사용한다.
- 14.7만 장면의 4D 인스턴스 주석 데이터셋 InsScene4D-147K를 구축했다.
- 객체 추적에서 기존 대비 월등한 성능(T-mIoU 58.84 vs SAM2 45.38)을 보였다.
- 스트리밍 클러스터링이 프레임 수와 무관하게 일정한 메모리(0.7GB)를 유지한다.
- 688LLMs / NLP
Automated Discovery Has No Universally Superior Harness
- OpenEvolve와 TTT-Discover의 하네스를 구성 요소별로 분해해서 30가지 조합을 만들어 비교했다.
- 310만 회 이상 LLM 롤아웃으로 통계적으로 유의미한 비교를 수행했다.
- 어떤 고정 하네스도 모든 모델-문제 쌍에서 일관되게 최고가 아니라는 '일반화 문제'를 발견했다.
- 초기 진행 성적이 최종 성능을 강하게 예측한다는 점을 활용해 적응적 예산 할당 전략을 제안했다.
- 모든 실행 기록과 베이스라인 분포를 재사용 가능한 통계 인프라로 공개했다.
- 687Computer Vision
Latent Riemannian Flow Matching for Geometry-Grounded 3D Foundation Models
- VGGT 토큰이 4개 초구의 곱 다양체 위에 있다는 것을 발견하고, 리만 플로우 매칭을 적용했다.
- 유클리드 플로우 매칭 대비 리만 버전이 모든 지표에서 일관되게 향상됐다 (LPIPS ~44% 개선).
- 단일 입력 뷰만으로도 작동하며, 순서에 무관하다.
- ScanNet++에서 Chamfer 거리 40% 이상, ETH3D에서 70% 이상 감소했다.
- 생성된 3D 스캔이 문맥 프레임과 정렬되어 일관된 장면 재구성을 가능하게 한다.
- 686Computer Vision
OmniReasoner: Thinking with Long Audio-Video via Native Tool Use
- 긴 오디오-비디오에서 확대 도구를 적응적으로 호출하는 도구 사용 학습 프레임워크를 제안했다.
- TimeAnchor로 서로 다른 샘플링 해상도 간 시간 좌표 일관성을 유지한다.
- Temporal Augmented Data Engine으로 수동 없이도 학습 데이터를 자동 생성했다.
- OmniVideoBench 29.3→34.8, LVOmniBench 32.0→35.4로 정확도가 향상됐다.
- 영상이 길어질수록 확대 도구 호출 빈도가 올라가며, 실제로 정확도 향상에 기여함을 확인했다.
- 685Robotics
WorldScape Policy 2.0: Empowering Steerable World Action Modeling with Reasoning-Augmented Memory
- 단기 시각 기억과 장기 이벤트 기억을 결합한 '추론 증강 기억' 구조를 제안했다.
- ManipEvent-5M이라는 500만 개 이벤트 세그먼트 데이터셋을 구축했다.
- 텍스트, 목표 이미지, 시연 영상 등 다양한 방식으로 로봇을 제어할 수 있다.
- 실제 듀얼암 로봇에서 긴 호라이즌 작업 75%, 세밀한 명령 수행 86.7% 성공률을 기록했다.
- 새로운 물체 카테고리에 대한 일반화 성능이 기존 대비 크게 향상됐다 (OOD 60% vs π0.5 43.3%).
- 684Robotics
Agentic Real2Sim: Physics-based World Modeling with Vision-Language Agents
- 실제 로봇 조작 녹화를 MuJoCo 시뮬레이션 에피소드로 자동 변환하는 4에이전트 파이프라인을 제안했다.
- 31B 오픈 VLM이 GPT-5.4 대비 3% 비용으로 비슷한 변환 성공률(48/100)을 달성했다.
- 강체 조작뿐 아니라 변형체(천, 밧줄)와 휴머노이드 모션까지 같은 프레임워크로 처리했다.
- VLM 역할을 좁게 제한해서 백엔드 모델 교체가 쉽고 비용 효율적임을 보였다.
- 변환된 에피소드 트윈은 로봇 정책 학습과 평가에 활용할 수 있다.
- 683Computer Vision
ABot-World-0: Infinite Interactive World Rollout on a Single Desktop GPU
- AAA 게임+시뮬레이션+인터넷 비디오를 통합한 다중 소스 데이터 파이프라인을 구축했다.
- LongForcing으로 긴 롤아웃의 자기회귀 드리프트를 교사 모델이 교정하게 했다.
- RTX 5090 1장에서 720P 16FPS, 1.2초 지연, 약 19GiB VRAM으로 실시간 구동된다.
- WorldRoamBench에서 경쟁력 있는 조종 성능과 일관된 세계 진화를 보였다.
- 60초 롤아웃 평가에서 기존 Causal-Forcing 대비 시각적 오류 누적이显著하게 적었다.
- 682Computer Vision
Mage-Flow: An Efficient Native-Resolution Foundation Model for Image Generation and Editing
- 4B 파라미터로 경쟁 모델들(6B~80B)과 비슷한 성능을 내면서 메모리는 18GB 수준으로 낮췄다.
- Mage-VAE 토크나이저가 기존 VAE 대비 픽셀당 연산량을 12~22배 줄였다.
- CUDA 커널 융합으로 학습 처리량을 약 2.5배 향상했다.
- Turbo 변형은 A100 1장에서 1024x1024 이미지를 0.59초, 편집을 1.02초에 수행한다.
- 비용 효율성 때문에 연구자가 실험하고 수정하기 좋은 오픈 베이스라인 역할을 한다.
- 681Computer Vision
Masked Visual Actions for Unified World Modeling
- 로봇 동작을 픽셀 단위 마스크로 표현하는 'Masked Visual Actions' 인터페이스를 제안했다.
- 하나의 체크포인트로 정방향 시뮬레이션과 역방향 동작 생성을 모두 지원한다.
- 실제 로봇 데이터 15시간 분량만으로 미세조정해도 다양한 환경과 로봇 형태에서 잘 작동한다.
- 비디오 모델이 상상한 롤아웃이 실제 실행 결과와 r=0.982로 강한 상관을 보였다.
- 역방향 모델로 원하는 물체 움직임을 주면 로봇 동작을 합성해내며, 90% 성공률을 달성했다.
- 680Software Engineering
TRIM: Reducing AI-Generated CodeSlop via Agent Trajectory Minimization
- CodeSlop을 코드 겉모습(장황함, 중복)이 아니라 기능 기준으로 정의했다. 지워도 테스트가 그대로 통과하는 편집이 CodeSlop이다.
- 원인은 에이전트의 탐색 과정이다. 정답을 찾을 때까지 시도한 편집을 굳이 되돌릴 이유가 없어서 최종 패치에 남는다.
- 에이전트에게 스스로 패치를 줄이라고 시키는 방식은 불안정했다. 3.8~44.9% 사례에서 동작이 깨지거나 오히려 패치가 커졌다.
- TRIM은 최종 패치 대신 작업 기록을 탐색 공간으로 삼는다. 편집의 시간 순서가 의존 관계를 근사해 주기 때문이다.
- 굵은 덩어리부터 통째로 빼보고 통과하면 확정, 안 되면 더 잘게 쪼개는 계층적 방식이라 검증 실행 비용이 Delta Debugging의 절반 수준이다.
- SWE-Bench-Verified에서 성공 패치 330건 중 327건(99.1%)의 정답성을 유지했고, 18건은 사람이 쓴 정답 패치와 완전히 같아졌다.
- 679Distributed Systems
ExpertPlex: A High-Goodput Disaggregated Serving System for MoE LLMs with Adaptive Persistent Kernels
- MoE 언어모델의 가중치 95퍼센트 이상이 전문가 부분이라, 프리필과 디코드가 각각 모델 전체를 복제하면 메모리가 크게 낭비된다.
- 핵심 발상은 무거운 전문가는 두 단계가 공유하고, 5퍼센트 미만인 어텐션만 단계별로 GPU를 따로 주는 혼합 구조다.
- 적응형 상주 커널(APK)이 행렬곱 타일 경계에서 스케줄링해, 커널을 다시 띄우거나 CPU가 끼어들지 않고도 급한 디코드 작업에 자리를 내주고 남는 자리는 프리필로 되돌린다.
- 어텐션 쪽에서 먼저 거는 단방향 MoE 통신으로 MoE 쪽 폴링을 없애 교착과 단계 간 네트워크 간섭을 피하고, 한 단계의 통신과 다른 단계의 계산을 겹친다.
- MiniMax-M2.7과 GLM-5.1-FP8 서빙 실험에서 유효 처리량이 청크 프리필 대비 5.65배, 인스턴스 단위 분리 대비 2.01배, Green Context 동거 대비 1.66배 올랐다.
- 선점 간격이 토큰 수가 아니라 타일 실행 시간에 달려 있어, 입력이 수천 토큰인 프리필도 짧은 디코드 작업이 끊고 들어갈 수 있다.
- 678Robotics
Closing the Loop in Humanoid VLA: Persistent 3D Object Tokens for Verifiable Loco-Manipulation
- 긴 작업에서 로봇이 실패하는 이유는 말을 못 알아들어서가 아니라, 행동용 물체 상태와 검증용 물체 상태가 달라지기 때문이라고 짚었다.
- POT는 대상, 목적지, 지지면, 인계 상대 같은 역할 칸에 물체를 묶어두고, 행동 한 덩어리가 끝날 때마다 3D 위치 근거를 새로 갱신한다.
- 물체 기록은 8칸에 칸당 33개 특징을 담은 고정 형식 토큰으로 바뀌어 전신 행동 모델의 입력 순서에 끼워 넣어진다.
- 같은 기록으로 잡았는지, 담겼는지, 놓였는지를 기하 조건으로 검사해서, 실패면 다시 보기와 재시도와 재계획을 부른다.
- 실물 Unitree G1의 8개 작업군에서 동일 조건 GR00T-N1.7 기준선 39/80을 71/80으로 올렸고, 컵 쌓기는 1/10에서 8/10으로 뛰었다.
- 제거 실험에서 토큰만 쓰면 15/40에서 31/40, 검증만 쓰면 22/40, 둘 다 쓰면 34/40으로, 토큰 조건화가 성능의 주된 원인임을 보였다.
- 677Robotics
RoboHarness: Memory-Driven Orchestration of Heterogeneous Robot Policies for Long-Horizon Planning
- 긴 작업을 한 정책으로 푸는 대신, 능력 경계가 서로 다른 이질적 정책들을 조율하는 문제로 다시 정의했다.
- 기존 계획 방법은 능력 범위가 고정되고 겹치지 않는 동질적 스킬을 가정하지만, 실제 정책의 능력 경계는 상황에 따라 달라진다는 점을 지적한다.
- 이해 스킬, 기억 스킬, 자기진화 스킬 세 묶음을 두어 상황 해석, 능력 경계 추정, 실행 경험 기반 보정을 맡긴다.
- 메모리 브리지는 다음 정책과 연결된 실행 궤적을 꺼내 그 정책의 정상 입력 구간을 추정하고, 로봇을 그 구간으로 유도해 재학습 없이 인수인계를 안정시킨다.
- 500개 장기 과제 절제 실험에서 전체 시스템은 성공률 86.0퍼센트, 메모리 브리지 제거는 60.4퍼센트, 이해 스킬 제거는 37.6퍼센트였고 단일 정책만 쓰면 0퍼센트였다.
- 실제 로봇 135회 실험에서 블록 재은닉 교란 시 성공률이 86.7퍼센트에서 66.7퍼센트로 떨어졌지만, 구조물 일부 해체 후에도 80.0퍼센트를 유지했다.
- 676Machine Learning
Distilled Reinforcement Learning for LLM Post-training
- 강화학습은 응답 하나에 보상 하나만 주기 때문에 어느 중간 추론 단계를 칭찬할지 가리기 어렵고, 학생이 이미 할 수 있는 행동을 강화할 뿐 새 지식을 넣지는 못한다.
- 온폴리시 증류는 KL 발산으로 교사 분포를 무조건 따라하게 만들어, 교사가 너무 비슷하면 배울 게 없고 계열이 다르면 잡음이 커지는 딜레마에 빠진다.
- Distilled RL은 별도의 모방 목적을 두지 않고, 교사 정책과 옛 학생 정책의 역방향 중요도 비율로 강화학습의 학습 신호 자체를 토큰별로 다시 나눈다.
- 세 부품으로 구성한다. 비율 잘라내기가 붙은 역방향 중요도 샘플링, 이득이 음수인 응답에는 가중치를 1로 되돌리는 음성 표본 리셋, 응답 안 비율들의 기하평균을 1로 맞추는 응답 단위 기하 정규화다.
- 음성 표본 리셋을 빼면 평균 pass@1이 Qwen3-4B에서 8.81점, DSQW-1.5B에서 6.39점 떨어져 세 부품 중 가장 중요했다.
- 특히 교사와 학생의 계열이 다른 상황에서 이점이 컸다. 이 조건에서 온폴리시 증류는 강화학습보다 계속 뒤처졌지만 Distilled RL은 모든 기준선을 앞섰다.
- 675Computer Vision
FlowMimic: Mask-free Visual Editing and Generation with Pixel-pair Warped Flow Field for Online Video Editing Data Generation and Modality Mimicry
- 영상 편집 학습에 현실적으로 자연스러운 영상 쌍은 필요 없고, 첫 프레임의 픽셀 대응이 시간축으로 일관되게 유지되기만 하면 된다는 것이 핵심 주장이다.
- 입력 이미지와 목표 이미지를 각각 3D 격자로 만들고 격자 역샘플링으로 픽셀쌍 4D 시간 왜곡 흐름장을 구성해, 이미지 편집 샘플에서 영상 편집 샘플을 실시간으로 생성한다.
- 이미지를 한 프레임 영상으로 보고, T2I가 T2V의 사실감을 흉내내고 V2V 편집이 더 빨리 수렴하는 I2I 편집을 흉내내도록 두 가지 modality mimic 손실을 둔다.
- 참조 표현 분할 등 감각 관련 과제와 편집영역 인식 잠재 손실, 어텐션 손실을 넣어 별도 MLLM이나 추론용 마스크 입력 없이 편집 영역을 모델이 스스로 찾게 했다.
- Wan2.1-T2V-1.3B 위에 후속 학습을 했고, 학습률을 5e-6에서 1e-5로 워밍업하면 수천 스텝 만에 영상 편집 반응이 나타났다.
- 특별히 만든 영상 편집 데이터를 하나도 쓰지 않고도 다양한 편집 과제가 되고, 언어로 지목한 객체를 영상에서 분할하고 추적하는 SAM3 같은 능력까지 나타났다.
- 674Computer Vision
Fine-Detail Monocular Geometry Estimation with Self-Guided Sparse Volumetric Refinement
- 기존 단안 기하 추정 모델의 한계를 성능 부족이 아니라 구조 불일치로 진단했다. 3D 정보를 2D 좌표계에서 디코딩하면 깊이 경계를 넘어 특징이 섞인다.
- 해법은 기하 모델링을 2D 이미지 평면에서 3D 공간으로 올리는 것이다. 특징 이웃 관계를 화면 거리 대신 3D 거리로 정의한다.
- 점 지도를 (X/Z, Y/Z, log Z)로 바꿔 로그 깊이만 보정하도록 만들고, 이 값을 해상도 D로 양자화해 희소 복셀 껍질을 만든다.
- 희소 3D U-Net이 각 반복마다 로그 깊이 잔차를 예측하고, 그 결과가 다음 반복의 복셀 구조를 다시 정한다. 이 자기 유도 방식 덕에 계산량이 점유 복셀 수에 비례한다.
- 파라미터 수를 맞춘 2D U-Net 대체 실험에서는 국소 지표가 기반 모델과 비슷하거나 오히려 나빠졌다. 개선의 원인이 용량이 아니라 3D 귀납 편향임을 보였다.
- K=3으로 학습했는데 추론에서 K=7까지 늘려도 지표가 유지되거나 조금 좋아졌다. 학습한 보정이 안정적으로 수렴한다는 뜻이다.
- 673Computer Vision
Pixel-Space Diffusion Transformers
- 잠재확산은 VAE의 손실 압축 때문에 고주파 질감과 날카로운 경계가 되돌릴 수 없이 사라지는 정보 병목을 안고 있다고 지적한다.
- 복원을 잘하도록 학습한 압축기와 생성을 잘하도록 학습한 확산모델의 목표가 서로 달라 끝까지 한 번에 최적화하기 어렵다는 점을 핵심 문제로 짚는다.
- 픽셀공간으로 돌아가면 단일 단계 학습이 가능해지지만, 잡음 일정, 손실 가중, 토큰 효율, 확장 가능한 구조 설계라는 새 난제가 생긴다고 정리한다.
- 최근 방법들은 깨끗한 원본을 바로 예측하는 x0 예측 방식으로 학습 경로를 데이터 표면에 고정해 수렴을 앞당긴다고 소개한다.
- 다중 가지 구조, 주파수 분리, 세밀한 토큰화로 전역 구조와 미세 질감을 서로 다른 부품이 나눠 맡게 하는 흐름을 정리한다.
- 픽셀과 텍스트와 작업 조건을 공유 토큰 공간에 올려 하나의 트랜스포머로 학습하면 이해와 생성을 함께 하는 통합 시각 기반모델로 갈 수 있다고 전망한다.
- 672Research
Color superconductors and holon metals from doping a Fractional Chern insulator
- 전자를 c(r)=f1(r)f2(r)f3(r)로 쪼개는 파톤 구성으로, 도핑된 분수 천 절연체의 금속상과 초전도상을 하나의 틀에 담았다.
- 각 색(color)이 밸리 세 개씩 구멍 주머니를 가져, 전하 -e/3 홀론이 아홉 개의 주머니를 이룬다.
- SU(3) 게이지장이 색 반대칭 채널의 짝짓기를 매개해, 전하 e/3 애니온 기체가 따로 묶이는 단계 없이 곧바로 전하 2e 초전도 상태로 들어갈 수 있음을 보인다.
- 아홉 주머니를 모두 약하게 짝지으면 c-=-3/2가 되어 f-if 초전도체의 BCS 기대값과 다르다. 즉 애니온 초전도체에서는 중심전하와 쌍의 각운동량 사이의 통상적 관계가 깨질 수 있다.
- 입자-정공 히그스장을 넣으면 주머니가 하나 또는 셋인 Z3 직교 금속 두 개가 나오고, 밸리 대칭을 삼각격자 공간군으로 줄이면 C3를 깨지 않는 세 주머니 U(1)^2 홀론 금속이 가능하다.
- 화학퍼텐셜로 조절하는 FCI에서 초전도로의 연속 전이는 Z3 금속에서는 불가능하고 SU(3) 또는 U(1)^2 홀론 금속에서만 가능해, 아홉 페르미온 이론이 자연스러운 출발점이라고 주장한다.
- 671Computer Vision
HOMIE: Human-object Centric Video Personalization via Multimodal Intelligent Enchancement
- 문제 설정: 참조 이미지가 서로 다른 대상인 경우(inter-subject)와 같은 대상의 여러 장인 경우(intra-subject)를 하나의 틀로 다룬다.
- 기존 두 방식의 한계를 지적한다. 멀티모달 모델 특징을 텍스트 임베딩 공간에 맞추면 텍스트 인코더의 조종력이 죽고, 텍스트 인코더를 아예 멀티모달 모델로 갈아끼우면 재정렬 비용이 크다.
- 제안 1 GMG: 멀티모달 모델에서 뽑은 전역 표현을 쿼리와 키 계산 단계에서 영상 토큰에 더해 셀프 어텐션 안으로 지식을 넣는다.
- 제안 2 MRE: 토큰의 모달리티와 참조 번호를 구분하는 학습 가능한 임베딩으로, 같은 사물의 다시점이나 글자 지도가 별개 물체로 복제되어 나오는 오류를 막는다.
- 성능: 글자 인식 정확도가 SkyReels-V3 대비 21.8퍼센트 상대 개선, 다시점 지표 DINOrec 0.696으로 비교 대상 중 최고, 사용자 40명 평가에서 전체 품질 선호율 64.7퍼센트.
- 제거 실험에서 GMG를 빼면 얼굴 유사도가 0.786에서 0.697로, MRE를 빼면 글자 정확도가 0.452에서 0.376으로 떨어진다.
연구에서 제품 적용까지
운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.
보유기술 보기