[백승환 교수] Ambient-robust Inverse Rendering using Active RGB-NIR Imaging

[연구의 필요성] 역렌더링은 영상에서 물체의 3차원 형상, 재질과 조명을 복원하는 기술로, 디지털 트윈과 AR·VR 등에 활용된다. 그러나 기존 RGB 기반 방법은 주변 조명과 물체 고유의 색을 구분하기 어려워 촬영 환경에 따라 복원 결과가 달라지는 한계가 있다. [포스텍이 가진 고유의 기술] 포스텍 연구팀은 RGB 카메라, NIR 카메라와 근적외선 플래시를 결합한 로봇 촬영 시스템을 개발하였다. 사람 눈에 보이지 않는 NIR 조명을 이용해 주변 조명의 영향을 제거하고, RGB와 NIR 영상을 함께 분석하여 물체의 형상, 색상, 거칠기, 금속성과 환경 조명을 안정적으로 복원한다. [연구의 의미] 강한 가시광 조명이나 암실 없이도 다양한 실내외 조명에서 일관된 디지털 물체를 생성할 수 있다. 복원 결과는 새로운 시점이나 조명에서 사실적으로 렌더링할 수 있어 디지털 트윈, 로봇 인식, 콘텐츠 제작과 산업용 3차원 스캐닝에 활용될 수 있다. [연구결과의 진행 상태 및 향후 계획] RGB–NIR 촬영 시스템, 역렌더링 알고리즘과 데이터셋 구축을 완료하였으며, 실제 및 합성 환경에서 기존 방법보다 안정적인 복원 성능을 확인하였다. 향후에는 촬영 속도를 높이고, 복잡한 장면과 반투명·복합 재질까지 복원할 수 있도록 기술을 확장할 계획이다. [성과와 관련된 실적] 연구 결과는 컴퓨터 그래픽스 분야의 최고 권위 학술대회인 ACM SIGGRAPH 2026 Conference Papers에 발표되었다. 논문명: Ambient-robust Inverse Rendering using Active RGB-NIR Imaging 주요 성과: RGB–NIR 역렌더링 알고리즘, 로봇 촬영 시스템, RGB–NIR 데이터셋 개발 [성과와 관련된 이미지]

[이근배 교수] S³: Sequential Self-feeding Slot Prediction for Explainable Cognitive Reframing in Task-Oriented Dialogue

[연구의 필요성] 인지행동치료(CBT)는 효과가 잘 입증된 심리치료 기법이지만, 이를 AI 시스템으로 구현하는 데에는 한계가 존재한다. 소형 언어모델(SLM)은 치료적 추론을 안정적으로 수행하기 어렵고, 반면 대형 언어모델(LLM)은 저자원 환경에 배포하기에는 연산·비용·데이터 프라이버시 측면에서 부담이 크다. 특히 인지 재구조화(cognitive reframing)와 같은 CBT 핵심 기법은 임상적 감독을 위해 모델의 추론 과정이 설명 가능해야 하지만, 기존 대화형 CBT 시스템들은 규칙 기반 방식에 머물러 있거나 내담자의 인지 상태 변화를 구조적으로 추적하지 못한다는 한계를 보였다. 이에 따라 경량 모델로도 CBT의 이론적 구조를 따르는 설명 가능한 대화 상태 추적(dialogue state tracking) 프레임워크의 필요성이 제기된다. [포스텍이 가진 고유의 기술] 본 연구에서는 인지 재구조화를 과업지향형 대화(Task-Oriented Dialogue, TOD) 문제로 재정의하고, 사건(Event)·생각(Thought)·증상(Symptom)·인지왜곡(Cognitive Distortion)·내담자 인지왜곡(Client Cognitive Distortion)의 다섯 가지 신념 상태(belief state)를 명시적으로 추적하는 대화 상태 추적 모듈을 설계하였다. 이를 뒷받침하기 위해 공황장애를 대상으로 한 6,800여 개의 합성 대화 데이터셋 CREPAN(Cognitive REframing for PANic disorder)을 구축하였다. 또한 사건이 아니라 그 사건에 대한 해석이 정서적 반응을 유발한다는 심리학 이론인 Ellis의 ABC 모델에 이론적 근거를 둔 순차적 자기공급 슬롯 예측 기법 S³(Sequential Self-feeding Slot Prediction)를 제안하였다. S³는 Event→Thought→Symptom→Cognitive Distortion→Client Cognitive Distortion→System Response의 인과적 순서에 따라 각 단계의 예측값을 다음 단계의 입력으로 재사용함으로써, SLM도 LLM에 준하는 치료적 추론을 수행할 수 있도록 하는 경량 스캐폴딩 구조이다. [연구의 의미] S³을 적용한 T5(S³-T5)는 JGA(Joint Goal Accuracy) 0.7781을 기록하며 80억 파라미터 규모의 LLaMA-3(0.7423), Qwen-3(0.7291)를 능가하는 성능을 보였으며, 자유형 텍스트 슬롯 평가를 위해 새롭게 제안한 Soft Match 지표에서도 모든 LLM 기준선을 상회하였다. 이는 CBT 스타일 대화 상태 추적에서 성능을 좌우하는 핵심 요인이 모델의 파라미터 규모가 아니라 인지이론에 기반한 구조적 추론 순서임을 실증적으로 보여준다. 아울러 순서를 무작위화하거나 역순으로 바꾼 절제 실험에서 일관되게 성능이 저하됨을 확인하여, S³의 예측 순서가 임의적인 것이 아니라 CBT의 인과적 논리를 반영한 것임을 검증하였다. 이러한 결과는 자원 제약 환경에서도 임상적으로 신뢰할 수 있는 설명 가능한 디지털 정신건강 시스템 구축이 가능함을 시사한다. [연구결과의 진행 상태 및 향후 계획] 본 연구는 ACM Transactions on Computing for Healthcare에 출판을 앞두고 있으며, S³ 코드와 CREPAN 데이터는 GitHub를 통해 공개되어 있다. 향후에는 다른 질환군으로의 일반화 가능성을 검증하고 임상 전문가 평가를 통해 확장할 계획이다. [성과와 관련된 실적] ACM Transactions on Computing for Healthcare, Just Accepted (2026) / 김수빈, 김훈래, 이근배 / S³: Sequential Self-feeding Slot Prediction for Explainable Cognitive Reframing in Task-Oriented Dialogue [성과와 관련된 이미지]

[김형훈 교수] SPLIT: Training-Free AI-Generated and Partially Edited Video Detection via Spatial Patch‑Level Incoherence and Temporal Roughness

[연구의 필요성] 최근 텍스트·이미지 기반 영상 생성 기술이 빠르게 발전하면서, 완전히 생성된 영상뿐 아니라 실제 영상의 일부만 자연스럽게 편집한 조작 영상도 쉽게 만들어지고 있다. 이러한 영상은 허위 정보, 사칭, 콘텐츠 위·변조 등에 악용될 수 있으나, 실제 서비스 환경에서는 정상 사용자의 진짜 영상을 잘못 차단하는 오탐률을 극도로 낮게 유지해야 한다. 특히 0.1% 수준의 매우 낮은 False Positive Rate(FPR)에서 조작 영상을 얼마나 잘 찾아내는지가 중요하지만, 기존의 평균적 성능 지표나 학습 기반 검출기는 새로운 생성 모델이나 부분 편집 영상에 취약하다는 한계가 있었다. [포스텍이 가진 고유의 기술] 본 연구는 별도의 학습 없이 AI 생성 및 부분 편집 영상을 검출하는 SPLIT(Spatial Patch-Level Incoherence and Temporal Roughness) 기술을 제안한다. SPLIT은 사전학습된 시각 인코더에서 영상의 패치 단위 특징을 추출하고, 각 패치가 시간에 따라 얼마나 불규칙하게 변화하는지를 측정하는 Two-step Temporal Roughness(TTR)와, 인접한 패치들의 움직임 변화가 공간적으로 얼마나 불일치하는지를 측정하는 Local Spatial Motion Incoherence(LSMI)를 계산한다. 두 신호를 감마 보정 기반으로 결합함으로써, 전체 영상 수준에서는 잘 드러나지 않는 국소적 조작 흔적까지 효과적으로 포착하며, 실제 영상만을 이용해 임계값을 보정하는 서비스 지향 평가 방식도 함께 제시하였다. [연구의 의미] SPLIT은 부분 편집 영상 벤치마크인 FakeParts, 기존 생성 모델 기반 GenVideo, 최신 2024–2025년 생성 모델을 포함한 ViF-Bench에서 모두 우수한 성능을 보였으며, 특히 실제 서비스에 중요한 FPR 0.1% 조건에서 기존 학습 기반 및 훈련 없는 검출 방법을 크게 상회하였다. 또한 압축, 블러, 좌우·상하 반전 등 일반적인 후처리에도 강건하고, 기존 인코더의 특징 추출 이후 매우 작은 추가 계산만으로 동작한다. 본 연구는 빠르게 변화하는 생성형 영상 환경에서 재학습 없이 일반화 가능한 검출 방향을 제시하고, 실제 서비스 배치에 적합한 초저오탐 AI 영상 검출 기준을 마련했다는 점에서 의미가 크다. [연구결과의 진행 상태 및 향후 계획] 본 연구는 컴퓨터 비전 최우수 학회인 ECCV 2026에 수락되어 발표될 예정이다. [성과와 관련된 실적] SPLIT: Training-Free AI-Generated and Partially Edited Video Detection via Spatial Patch‑Level Incoherence and Temporal Roughness Jongyeop Hyun and Hyounghun Kim. ECCV 2026. [성과와 관련된 이미지]

[류일우 교수] SPHARM-Mamba: Rotation-Invariant Multiscale Modeling for Brain Age Prediction

[연구의 필요성] 뇌 나이(Brain Age)는 정상적인 뇌 발달과 노화 과정을 평가하고 신경퇴행성 질환을 조기에 발견하기 위한 중요한 바이오마커이다. 기존 표면 분석 모델은 패치 기반 처리 방식으로 인해 계산 비용이 크고 회전에 민감하여 해부학적 정렬이나 데이터 증강이 필요하다. 본 연구는 이러한 한계를 극복하기 위해 구면조화 기반의 회전 불변 정보를 활용하고, Mamba를 이용해 전역 구조와 국소 구조를 함께 학습하는 새로운 프레임워크를 제안하였다. [포스텍이 가진 고유의 기술] 본 연구에서는 Spherical Harmonics 기반 Mamba 프레임워크(SPHARM-Mamba)를 제안함으로써 대뇌 피질 표면 기반 Brain Age Prediction 문제를 해결하고자 하였다. 이 프레임워크는 다음과 같은 특징을 가진다. (1) 대뇌 피질 표면 신호를 구면조화(Spherical Harmonics) 영역으로 변환한 후, SHConv를 통해 회전에 강인한 스펙트럼 특징을 학습한다. 이후 harmonic degree별 정보를 회전 불변 특성으로 변환하여 전역 구조에서 국소 구조로 이어지는 시퀀스를 구성한다. (2) 자연스럽게 정렬된 harmonic degree 시퀀스를 Mamba 기반 상태공간모델(State Space Model)로 학습하여, 전역적인 형태 정보와 국소적인 형태 정보를 동시에 반영하는 다중 스케일 표현을 효과적으로 학습한다. (3) 제안한 프레임워크는 패치 분할이나 해부학적 정렬 없이도 회전에 강인한 표면 분석을 수행하며, 기존 표면 기반 딥러닝 모델 대비 약 30% 향상된 Brain Age Prediction 성능을 달성하였다. 또한 적은 모델 파라미터로도 높은 예측 정확도를 확보하여 다양한 의료영상 표면 분석 문제에 적용 가능한 범용 프레임워크를 제시하였다. [연구의 의미] 본 연구는 구면조화 기반 표면 표현과 Mamba를 결합하여 회전에 강인하면서도 전역 및 국소 구조를 동시에 반영하는 새로운 표면 분석 방법을 제시하였다. 이를 통해 기존 패치 기반 모델의 한계를 극복하고, 다양한 표면 기반 의료영상 분석 문제에 활용 가능한 범용 프레임워크를 제안하였다. [연구결과의 진행 상태 및 향후 계획] 본 연구에서는 공개 뇌 MRI 데이터셋을 이용한 Brain Age Prediction에서 기존 방법보다 우수한 성능을 확인하였다. 향후에는 제안한 프레임워크를 다양한 의료영상 분석 과제에 확장하여 여러 작업에서도 우수한 성능을 보이는 범용성을 검증하고, 모델을 더욱 고도화하여 국제 저널에 후속 연구를 제출할 계획이다. [성과와 관련된 실적] Junho Choi, Mingyu Joo, Jiwon Son, Won Hwa Kim, and Ilwoo Lyu, “SPHARM-Mamba: Rotation-Invariant Multiscale Modeling for Brain Age Prediction”, Medical Image Computing and Computer Assisted Intervention (MICCAI), 2026 [성과와 관련된 이미지]

[박상돈/김동우/김형훈 교수] ChronoBias: A Benchmark for Evaluating Time-conditional Group Bias in the Time-sensitive Knowledge of Large Language Models

[연구의 필요성] 거대 언어 모델의 효과적인 성능에도 불구하고 환각 현상은 여전히 존재하며, 동일한 주제임에도 불구하고 특정 그룹 (e.g., 성별, 인종, 인기도)에 따라 성능 및 품질의 편향이 발생할 경우 기존 편향을 심화시킬 수 있는 문제를 겪어 왔다. [포스텍이 가진 고유의 기술] 기존 그룹 편향 측정의 경우 시간에 따라 변화하는 지식에 대해서도 시간에 대하여 주변화된 그룹 편향 측정 지표를 활용하여 확인할 수 없었던 문제점을 시간에 대하여 조건화된 그룹 편향 측정 방안 및 이를 활용한 데이터 분석 결과를 제공함으로써 확인했습니다. [연구의 의미] 주어진 결과는 신뢰할 수 있는 인공지능 모델을 개발하는 맥락에서, 시변적인 지식에 대해서 거대 언어 모델이 보이는 그룹 편향을 보다 적확하게 모니터링할 수 있는 가능성을 제시하였다는 점에서 의의가 있습니다. [연구결과의 진행 상태 및 향후 계획] 본 연구는 현재 EMNLP Findings 2025에 채택되었고, 향후 단순한 질의응답 과업을 넘어선 agentic task 상에서 발생할 수 있는 그룹 편향 측정 및 분석 연구로 확장할 계획이다. [성과와 관련된 실적] 김경민, 최영빈, 김형훈, 김동우, 박상돈 (POSTECH 컴퓨터공학과/인공지능대학원) ChronoBias: A Benchmark for Evaluating Time-conditional Group Bias in the Time-sensitive Knowledge of Large Language Models (EMNLP Findings 2025 논문 채택) [요약] 본 연구는 시변적 지식에 대해 시간에 대해 조건화된 그룹 편향을 측정할 수 있는 지표를 새롭게 제안하고, 관련 분석을 수행할 수 있는 ChronoBias라는 benchmark 데이터셋을 제안했습니다. [성과와 관련된 이미지]

[류일우 교수] Shape-Adaptive Guidance Signal for Interactive Cortical Sulcal Labeling

[연구의 필요성] 대뇌 피질의 고랑(sulcus)은 개인 간 뇌의 구조적 차이와 기능적 특성을 분석하기 위한 중요한 해부학적 지표로 제안되고 있다. 특히 Lateral Prefrontal Cortex (LPFC)를 비롯한 여러 피질 영역에는 크기가 작고 형태와 위치의 개인차가 큰 고랑들이 존재하고, 이들과 고위 인지기능과의 관계를 분석하는 연구가 진행되고 있다. 그러나 이러한 고랑들은 자동 라벨링 과정에서 오류가 발생하기 쉬워, 분석에 활용하기에 앞서 전문가의 추가적인 검증과 교정이 수반되어야 한다. 본 연구에서는 소수의 전문가 클릭만으로 고랑 라벨링 결과를 효율적으로 교정할 수 있는 상호작용 프레임워크를 제안한다. [포스텍이 가진 고유의 기술] 본 연구에서는 Spherical CNN 기반 Interactive Segmentation 프레임워크를 제안함으로써 대뇌 피질 고랑 라벨링 문제를 해결하고자 하였다. 이 프레임워크는 다음과 같은 특징을 가진다. (1) 대뇌 피질 표면을 구면에 매핑한 후, Spherical CNN을 통해 대뇌 표면의 기하학적 특징과 현재 라벨링 결과, 그리고 사용자 클릭으로부터 생성된 Spatial Guidance Signal을 입력으로 하여 고랑 라벨을 교정한다. (2) 긍정 및 부정 클릭을 반복적으로 반영하는 학습 방식을 통해, 사용자의 추가적인 상호작용에 따라 정확도를 단계적으로 개선한다. (3) 백색질(White Matter) 표면의 평균 곡률을 기반으로 한 신호의 전파 속도 함수를 설계하였다. 또한 클릭 위치에서 시작된 신호의 전파를 Eikonal Equation으로 모델링함으로써, 대뇌 표면의 형상을 반영하는 Shape-Adaptive Guidance Signal을 생성하였다. 이를 통해 신호가 클릭이 위치한 고랑을 따라 전파되도록 유도하고, 인접한 이랑(Gyrus)로의 불필요한 확산을 억제하였다. [연구의 의미] 본 연구에서 제안한 Shape-Adaptive Guidance Signal는 대뇌 형상을 고려하지 않는 단순한 신호에 비해 LPFC 영역상의 크기가 작고 개인차가 큰 고랑에서 높은 라벨링 정확도를 보였으며, 반복적인 클릭에 따라서도 결과를 안정적으로 개선하였다. 이는 대규모 고랑 라벨링 작업에 있어 전문가의 검증 및 교정 부담을 줄일 수 있는 가능성을 보여준다. [연구결과의 진행 상태 및 향후 계획] 본 연구는 의료영상 분야 최우수 국제학술대회인 Medical Image Computing and Computer Assisted Intervention (MICCAI) 2026에서 발표될 예정이다. 후속 연구에서는 대뇌의 해부학적 특징과 현재 라벨링 상태에 따라 Guidance Signal의 전파 범위를 자동으로 조절하는 방법을 개발할 예정이다. [성과와 관련된 실적] Jiwon Son, Ethan H. Willbrand, Benjamin J. Parker, Kevin S. Weiner, Ilwoo Lyu, “Shape-Adaptive Guidance Signal for Interactive Cortical Sulcal Labeling”, Medical Image Computing and Computer Assisted Intervention (MICCAI), 2026 [성과와 관련된 이미지]

[류일우 교수] Sulcus-Aware Hippocampal Surface Modeling with Training-time Sulcus-guided Learning

[연구의 필요성] 해마(hippocampus)의 표면 형상은 알츠하이머병 등 다양한 신경퇴행성 질환의 국소적인 형태 변화를 분석하는 데 중요한 바이오마커이다. 그러나 기존 해마 표면 재구성 기법은 얇고 복잡한 해마 고랑(sulcus) 구조를 평활화하거나 위상 오류 및 self-intersection을 발생시키는 한계가 있어, 정밀한 표면 기반 형태 분석과 집단 간 통계 분석의 정확도를 저하시킨다. 따라서 해마 고랑 구조를 보존하면서도 안정적인 위상과 피험자 간 대응관계를 동시에 제공하는 표면 재구성 기술이 필요하다. [포스텍이 가진 고유의 기술] 본 연구에서는 Sulcus-aware Hippocampal Surface Modeling 프레임워크를 제안하였다. 주요 기술적 차별성은 다음과 같다. Sulcus-aware Template Construction: 해마 고랑 정보를 반영한 템플릿을 구축하여 미세한 해부학적 구조를 유지하면서 안정적인 표면을 생성한다. Template-to-Subject Deformation Learning: 하나의 템플릿으로부터 피험자별 미분동형 변형장을 학습하여 self-intersection을 줄이고, 위상을 유지한 채 정점(vertex) 간 일대일 대응관계를 제공한다. Training-time Sulcus-guided Learning: 고랑 마스크를 구하기 어려운 점을 고려하여 학습 단계에서만 고랑 마스크를 보조 정보로 활용하여 추론 시에는 일반 MRI와 해마 마스크만으로도 고랑 구조를 효과적으로 복원할 수 있도록 설계하였다. [연구의 의미] 제안한 방법은 기존 표면 재구성 기법 대비 해마 고랑 구조를 더욱 정확하게 보존하면서도 self-intersection 및 위상 오류를 최소화하여 안정적인 표면을 생성하였다. 또한 피험자 간 정점 대응관계를 향상시켜 표면 기반 통계 분석의 신뢰성을 높였으며, 알츠하이머병과 정상군 비교에서 기존 방법보다 고랑 영역의 형태 변화를 더욱 민감하게 검출함으로써 임상적 활용 가능성을 확인하였다. 본 연구는 향후 다양한 뇌 질환의 정밀 형태 분석과 AI 기반 의료영상 분석을 위한 핵심 기반기술로 활용될 수 있다. [연구결과의 진행 상태 및 향후 계획] 본 연구는 의료영상 분야 최고 권위 국제학술대회인 Medical Image Computing and Computer-Assisted Intervention (MICCAI 2026) 에서 발표 예정이다. 향후에는 다양한 MRI 획득 환경 및 대규모 데이터셋에서 일반화 성능을 검증할 계획이다. 또한 부분체적 효과(partial volume effect)에 대한 기하학적 안정성을 강화하여 다양한 임상 연구 및 의료영상 분석에 활용 가능한 범용 기술로 발전시킬 예정이다. [성과와 관련된 실적] Yuyeon Kim , Banseok Kim, Jiwon Son, Mingyu Joo, Kangmin Kim, Minji Ha, Minah Kim, and Ilwoo Lyu, “Sulcus-Aware Hippocampal Surface Modeling with Training-time Sulcus-guided Learning”, Medical Image Computing and Computer Assisted Intervention (MICCAI), 2026 [성과와 관련된 이미지]

[박상돈 교수] Online Conformal Prediction with Adversarial Semi-bandit Feedback via Regret Minimization

[연구의 필요성] 최근 AI 시스템은 데이터 분포가 지속적으로 변화하는 온라인 환경에서 활용되는 경우가 증가하고 있다. 이러한 환경에서는 모델의 예측뿐만 아니라 예측의 신뢰도를 함께 제공하는 것이 중요하다. 기존 Conformal Prediction 기법은 전체 정답 피드백 또는 고정된 calibration 데이터를 필요로 하기 때문에 실제 온라인 환경에 적용하기 어렵다. 따라서 제한적인 피드백만을 활용하면서도 예측 신뢰도를 보장할 수 있는 새로운 Online Conformal Prediction 기술이 요구된다. [포스텍이 가진 고유의 기술] 본 연구에서는 Online Conformal Prediction 문제를 regret minimization 관점에서 새롭게 정식화하고, adversarial semi-bandit feedback만을 이용하여 conformal threshold를 온라인으로 학습하는 OCP-Unlock+ 알고리즘을 개발하였다. 핵심 기술은 다음과 같다. Adversarial semi-bandit feedback 기반 Online Conformal Prediction Regret minimization 기반 threshold 업데이트 부분 피드백만으로도 coverage를 유지하는 온라인 학습 알고리즘 다양한 분류 및 회귀 문제에 적용 가능한 일반적인 프레임워크 [연구의 의미] 본 연구는 제한적인 피드백만 주어지는 현실적인 온라인 환경에서도 예측 신뢰도를 보장할 수 있는 Online Conformal Prediction 방법을 제시하였다. 이를 통해 기존 Conformal Prediction의 적용 범위를 크게 확장하였으며, 의료 AI, 자율주행, 추천 시스템, 대규모 AI 서비스 등 신뢰성이 중요한 다양한 응용 분야에 활용될 수 있는 기반 기술을 마련하였다. [연구결과의 진행 상태 및 향후 계획] 현재 알고리즘 개발과 성능 검증을 완료하였으며, ICLR 2026에 논문이 게재되었다. 향후에는 다음과 같은 연구를 진행할 계획이다. 대규모 언어모델(LLM)의 불확실성 추정으로 확장 Selective Prediction 및 AI Safety 문제와의 결합 더욱 일반적인 부분 피드백 환경에 대한 이론적 보장 확장 실제 온라인 AI 시스템에서의 적용 및 실증 [성과와 관련된 실적] ICLR 2026 논문 게재 논문명: Online Conformal Prediction with Adversarial Semi-bandit Feedback via Regret Minimization 온라인 Conformal Prediction 분야의 새로운 regret minimization 기반 프레임워크 제안 ImageNet, Airfoil 등 다양한 데이터셋에서 기존 방법 대비 우수한 성능 검증 [기대효과 및 활용 분야] 신뢰성 있는 온라인 AI 시스템 구축 의료 AI 및 자율주행 등 안전성이 중요한 분야 적용 실시간 예측 시스템의 불확실성 관리 대규모 언어모델 기반 AI 서비스의 신뢰도 향상 Online Learning 및 AI Safety 연구로의 확장 [기술의 차별성] 기존 Online Conformal Prediction 방법은 전체 피드백을 요구하거나 제한적인 온라인 환경만을 고려하였다. 본 연구는 adversarial semi-bandit feedback 환경을 고려하여 부분 피드백만으로도 목표 coverage를 유지하도록 설계되었으며, regret minimization 기반 학습을 통해 변화하는 환경에서도 안정적으로 threshold를 조정할 수 있다는 점에서 차별성을 가진다. [성과와 관련된 이미지]OCP-Unlock은 예측 결과에 따라 관측 가능한 정보만을 활용하여 conformal threshold를 온라인으로 갱신한다. 예측 집합이 정답을 포함한 경우에는 실제 레이블을 이용해 모든 관련 threshold를 업데이트(Full Unlocking)하고, 정답을 포함하지 못한 경우에는 관측 가능한 threshold만 선택적으로 업데이트(Partial Unlocking)한다. 이를 통해 제한적인 semi-bandit feedback 환경에서도 목표 coverage를 유지하며 효율적인 prediction set을 생성할 수 있다.

[곽수하 교수] RePL: Pseudo-label Refinement for Semi-supervised LiDAR Semantic Segmentation

[연구의 필요성] 자율주행·로보틱스의 핵심인 LiDAR 3D 포인트 클라우드 의미 분할은 조밀한 라벨링 비용이 막대해 학습 데이터의 규모와 다양성이 크게 제약된다. 이를 완화하는 준지도학습은 모델이 만든 부정확한 의사라벨(pseudo-label)을 그대로 학습에 사용하면서 오류가 누적되는 확증 편향 문제를 겪어 왔다. [포스텍이 가진 고유의 기술] 연구팀은 신뢰도 낮은 라벨을 버리거나 가중치를 낮추는 사후 처리에 머문 기존 방식을 넘어, 의사라벨 품질을 생성 시점에 개선하는 프레임워크 RePL을 제안했다. 교사-학생 네트워크에 의사라벨 정제기를 결합해 오류 가능 영역을 추정하고 마스크드 재구성으로 더 깨끗한 지도 신호를 만들며, 정제가 이득이 되는 수학적 조건을 이론적으로 규명했다. [연구의 의미] 본 연구는 준지도 LiDAR 분할에서 의사라벨을 사후에 걸러내는 관점을 능동적으로 고쳐 쓰는 관점으로 전환했다. 정제가 언제 이득이 되는지를 이론적으로 증명하고 그 조건이 실제로 온화하게 충족됨을 실험으로 확인해 방법의 타당성을 뒷받침했다. [연구결과의 진행 상태 및 향후 계획] 현재 nuScenes-lidarseg와 SemanticKITTI에서 다양한 라벨 비율에 걸쳐 SOTA를 달성했으며 ECCV 2026에 채택됐다. 향후 휴리스틱 오류 마스크를 학습 기반 오류 지역화로 대체해 성능을 더 끌어올리고 다양한 백본·실주행 환경으로 확장할 계획이다. [성과와 관련된 실적] 권동현*, 박태규*, 곽수하 (POSTECH 컴퓨터공학과·인공지능대학원, *공동 제1저자) RePL: Pseudo-label Refinement for Semi-supervised LiDAR Semantic Segmentation - ECCV 2026 논문 채택 - nuScenes-lidarseg, SemanticKITTI 평균 mIoU 최고 달성 - 정제기 도입으로 supervised-only 대비 +9.1 mIoU 향상, SphereFormer 등 다른 백본에서도 성능 향상 확인 [요약] 본 연구는 자율주행·로보틱스의 3D 인식에서 라벨링 비용 문제를 근본적으로 완화하는 준지도학습 기술로, 이론적 보장과 실증 성능을 함께 갖춰 데이터 효율적 3D 인식 시스템으로 확장 가능성이 높다. [성과와 관련된 이미지]