LGÀüÀÚ(´ëÇ¥ÀÌ»ç Á¶ÁÖ¿Ï)°¡ ¼¼°è ÃÖ°í ±ÇÀ§ÀÇ AI Çмú´ëȸ ICLR(Ç¥Çö ÇнÀ ±¹Á¦ ÇÐȸ, International Conference on Learning Representations) 2024¿¡¼ ¹ßÇ¥ÇÑ ³í¹®ÀÌ Àüü ³í¹® °¡¿îµ¥ »óÀ§ 1%·Î äÅõǴ µî AI ±â¼ú ¸®´õ½ÊÀ» ÀÔÁõÇß´Ù.
ICLRÀº ±¸±Û ½ºÄ®¶ó(Google Scholar)°¡ ¹ßÇ¥ÇÏ´Â ¿£Áö´Ï¾î&ÄÄÇ»ÅÍ °úÇÐ ºÎ¹®ÀÇ ±Û·Î¹ú 3´ë AI Çмú´ëȸ·Î ¸Å³â ¼±Á¤µÇ¾î ¿Ô´Ù. ICLRÀÇ ³í¹® äÅ÷üÀº ¾à 25%¿¡ ºÒ°úÇÒ ¸¸Å °æÀï·üÀÌ ³ô´Ù. ¿ÃÇØ´Â ÇöÁö½Ã°£ 7ÀϺÎÅÍ 11ÀϱîÁö ¿À½ºÆ®¸®¾Æ ºó Àü½Ã ¹× ȸÀǼ¾ÅÍ¿¡¼ ¿¸°´Ù. ÀÌ ¿Ü¿¡µµ ´º¸³½º(NeurIPS), ICMLÀÌ ÃÖ»óÀ§ ÇÐȸ·Î ¼±Á¤µÈ ¹Ù ÀÖ´Ù.
LGÀüÀÚ´Â À̹ø Çмú´ëȸ¿¡¼ °ø°£ ÀνķüÀ» ³ôÀÎ AI ±â¼ú(DiffMatch: Diffusion Model for Dense Matching)À» °ø°³ÇÏ°í, ÀÌ ¿¬±¸ ³í¹®À¸·Î ±¸µÎ ¹ßÇ¥(Oral Session) ´ë»óÀÚ·Î ¼±Á¤µÆ´Ù. Çмú´ëȸ¿¡ Á¦ÃâµÈ ³í¹® Áß 1% À̳»¿¡ ÇØ´çÇÏ´Â ÃÖ»óÀ§ Æò°¡¸¦ ¹ÞÀº ¿¬±¸¿¡ ÇÑÇØ ±¸µÎ ¹ßÇ¥ ±âȸ°¡ ÁÖ¾îÁø´Ù.
ÀÌ¿Í ÇÔ²² °ø°³ÇÑ ¸ÞŸ¹ö½ºÀÇ ÇÙ½É ±â¼úÀÎ 2D À̹ÌÁö ±â¹Ý 3D °ø°£ ÀçÇö ±â¼ú(H2O-SDF Two-Phase Learning for 3D Indoor Reconstruction using Object Surface Fields)µµ ICLR 2024¿¡¼ »óÀ§ 5% À̳» ³í¹®À¸·Î ¼±Á¤µÇ¸é¼ À̹ø Çмú´ëȸ¿¡ Âü¿©ÇÑ ±¹³» ±â¾÷ °¡¿îµ¥ ¿¬±¸ °á°ú°¡ ¸ðµÎ ÃÖ»óÀ§ ³í¹®À¸·Î µîÀçµÇ´Â ¼º°ú¸¦ °Åµ×´Ù.
À̹ø ¿¬±¸ ¼º°ú´Â ¼±Çà ±â¼ú È®º¸ »Ó¸¸ ¾Æ´Ï¶ó, ·Îº¿, ¸ÞŸ¹ö½º, ½º¸¶Æ®È¨ µî¿¡ ½ÇÁ¦ Àû¿ë °¡´ÉÇÑ ¿¬±¸ ¼º°ú·Î¼ Àǹ̰¡ Å©´Ù.
°ø°£ ÀνķüÀ» ³ôÀÌ´Â ±â¼úÀº AI ±â¼ú·Î µÎ À̹ÌÁö ºñ±³¸¦ ÅëÇØ À̹ÌÁö °£ À¯»ç¼º°ú Â÷ÀÌÁ¡À» ºÐ¼®ÇÏ°í, À̹ÌÁö¿¡ ³ªÅ¸³ª´Â ¹°Ã¼ÀÇ À§Ä¡¿Í ÇüŸ¦ ÆľǷ¿¹ÃøÇÒ ¼ö ÀÖ´Ù.
ƯÈ÷ ·Îº¿ ºÐ¾ßÀÇ ÇÙ½É ±â¼úÀÎ °ø°£ ÀνķüÀ» ³ôÀÏ ¼ö ÀÖ´Ù. »ç¶÷, µ¿¹° µîÀÌ ¿òÁ÷¿© À§Ä¡°¡ º¯Çϰųª Á¶¸íÀ¸·Î ¹à±â°¡ ´Þ¶óÁ®µµ ·Îº¿ÀÇ À§Ä¡¸¦ Á¤È®È÷ ÀνÄÇÏ°í ¿òÁ÷ÀÏ ¼ö ÀÖ´Â Áöµµ¸¦ »ý¼ºÇÑ´Ù.
2D À̹ÌÁö ±â¹Ý 3D °¡»ó °ø°£À» ÀçÇöÇÏ´Â ±â¼úÀº AI¸¦ ÅëÇØ º¹ÀâÇÑ ½Ç³» °ø°£°ú ¹°Ã¼ Ç¥¸éÀÇ µðÅ×ÀϱîÁö 3D °¡»ó °ø°£À¸·Î ÀçÇöÇØ ´õ¿í ½Ç°¨³ª°Ô Ç¥ÇöÇÑ´Ù.
2D À̹ÌÁö ¼Ó º®, õÀå, ±âµÕ µî ÀüüÀûÀÎ ½Ç³» ±¸Á¶¸¦ ÇнÀÇÑ µÚ °¡±¸, °¡Àü µî °³º° ¹°Ã¼ÀÇ ¼¼ºÎÀûÀÎ ÇüŸ¦ ÇнÀÇÏ´Â ¹æ½ÄÀ¸·Î ²Éº´ÀÇ µðÀÚÀÎ, °¡±¸ÀÇ Áú°¨±îÁö ¼¶¼¼ÇÏ°Ô º¹¿øÇÑ´Ù.
ÀÌ ±â¼úÀº ¸ÞŸ¹ö½º, ±×¸®°í ½º¸¶Æ®ÆÑÅ丮¿¡ Àû¿ëÇÒ ¼ö ÀÖ´Â µðÁöÅÐ Æ®À© µî ºÐ¾ß¿¡ È°¿ë °¡´ÉÇÏ´Ù. ƯÈ÷, Áý¾È µî ½ÇÁ¦ °ø°£À» ±×´ë·Î ÀçÇöÇÑ °¡»ó °ø°£¿¡¼ ½º¸¶Æ®È¨ ¼ºñ½º¸¦ °æÇèÇÒ ¼ö ÀÖ°Ô µÈ´Ù.
|