No

교수

논문제목

학술지

(대회)명

논문게재일

우수지표

1

이동호교수

Prediction-Augmented Generation for Automatic Diagnosis Tasks

ACL 2025

2025/05/15

BK인정 우수학술

대회논문

(4점)

주요내용

논문우수성

본 논문은 대형 언어 모델(LLM)의 고차원 추론 한계를 극복하기 위해 **예측 강화 생성(Prediction-Augmented Generation, PAG)**이라는 새로운 방법을 제안하였다. 기존 LLM은 자기회귀적 구조를 기반으로 문맥에 따라 다음 단어를 예측하는 방식으로 발전해 왔고, 글쓰기나 요약 등 생성 과제에는 뛰어났지만, 분류나 의사결정처럼 논리적 정확성이 필요한 고급 추론에는 한계를 드러냈다. 본 연구는 이러한 한계를 해결하기 위해 기존 Retrieval-Augmented Generation(RAG)의 아이디어를 발전시켜, 외부의 작업 특화 예측 모델을 단순히 삽입하는 것이 아니라, LLM의 방대한 지식과 결합하여 더 정밀하고 논리적인 예측을 생성하도록 설계했다.

PAG의 효과를 검증하기 위해 질병 진단과 같이 전문성과 고난도 추론이 요구되는 자동 진단 과제를 대상으로 다양한 데이터셋에서 실험을 수행한 결과, LLM 단독 및 기존 예측 모델 대비 뛰어난 성능을 입증했다. 특히 PAG는 외부 예측 결과를 비판적으로 재해석하고 보완해, 각 모델이 단독으로 수행할 때보다 더 우수한 예측과 구조적 추론을 가능하게 했다.

본 연구의 우수성은 세 가지로 요약된다. 첫째, 생성 중심의 LLM 한계를 명확히 진단하고 새로운 아키텍처를 제시한 점, 둘째, 외부 지식과 LLM의 논리적 추론을 유기적으로 결합해 정확성을 높인 점, 셋째, 의료 진단과 같은 실제 문제에서 성능을 입증해 실용적 가치를 확인한 점이다. PAG는 LLM 기반 추론의 새로운 가능성을 제시하며, 다양한 분야에서의 활용과 후속 연구를 촉진할 중요한 성과다.

2

이민식교수

RAD: Region-Aware Diffusion Models for Image Inpainting

IEEE/CVF Conference on Computer Vision and Pattern Recognition

2025/06/13

BK인정 우수학술

대회논문(4점)

주요내용

논문우수성

본 논문은 이미지 생성 분야에서 주목받고 있는 확산 모델을 기반으로, 보다 효율적이고 정교한 inpainting을 실현하기 위해 **region-aware diffusion models (RAD)**를 제안하였다. 기존의 inpainting 기법들은 사전 학습된 확산 모델을 역과정에서 수정하거나 조건부 생성으로 전환해 구현했지만, 중첩된 루프나 추가 구성 요소로 인해 비효율적이었다. RAD는 바닐라 확산 모델을 간단히 재구성해 각 픽셀마다 다른 노이즈 스케줄을 적용, 전역 맥락을 고려하면서도 비동기적으로 로컬 영역을 생성할 수 있다. 이를 통해 마스크되지 않은 영역은 그대로 유지하면서 자연스럽고 정밀한 inpainting을 가능하게 하며, 기존 기법 대비 최대 100배 빠른 추론 속도를 달성했다.

또한, 학습 과정에서 LoRA를 활용해 계산 부담을 줄였고, Perlin 노이즈 기반 마스크와 공간 노이즈 임베딩을 적용해 현실적이고 일관된 복원이 가능하도록 했다. FFHQ, LSUN, ImageNet 등 다양한 데이터셋에서 RAD는 질적·양적으로 우수한 성능을 입증했으며, 복잡한 장면에서도 세밀한 결과를 보였다. 본 연구는 간결한 구조와 높은 효율성으로 확산 기반 inpainting의 한계를 극복했으며, 그 우수성을 인정받아 CVPR 2025에 채택되어 발표되었다.

3

이영문교수

Keypoints as Dynamic Centroids for Unified Human Pose and Segmentation

International Joint Conference on AI (IJCAI)

2025/08/16

BK인정 우수학술

대회논문

(4점)

주요내용

논문우수성

본 논문은 동적인 인체의 움직임 속에서도 정확하고 빠른 자세 추정(Pose Estimation)**과 인스턴스 분할(Segmentation)을 동시에 달성하기 위해 **Keypoints as Dynamic Centroid (KDC)를 제안하였다. 기존 방법들은 키포인트 히트맵과 분할 마스크를 결합하는 방식에 의존해 왔으나, 관절이 겹치거나 빠른 자세 변화가 있는 경우 정확성과 인스턴스 구분이 크게 저하되는 문제가 있었다. 이를 해결하기 위해 KDC는 새로운 중심점 기반 표현을 도입하여 두 과제를 통합적으로 수행한다.

KDC는 우선 PoseNet을 통해 디스크 표현 기반으로 키포인트 히트맵을 생성하고, 잠재적인 키포인트 위치를 탐지한 뒤, KeyCentroid를 적용해 키포인트 좌표를 정교하게 보정해 정확도를 높인다. 이후 SegNet은 보정된 KeyCentroid를 활용해 MaskCentroid를 생성, 각 사람 인스턴스에 해당하는 마스크 픽셀을 군집화하여 최종적으로 사람별 자세와 분할 결과를 산출한다. 특히 KDC는 임베딩 공간에서 신뢰도 높은 키포인트를 동적인 중심점(Dynamic Centroid)으로 활용해, 군중 속에서도 사람별 인스턴스를 빠르게 구분할 수 있으며, 실시간 처리에 적합한 속도를 보인다.

CrowdPose, OCHuman, COCO 벤치마크 실험을 통해 KDC는 기존 기법 대비 정확성과 속도 모두에서 우수성을 입증했고, 다양한 상황에서도 일반화 가능성을 확인하였다. 제안된 모델은 오픈소스로 공개되어 활용성을 높였다. 본 연구는 효율적이고 강건한 자세 추정 및 분할을 동시에 가능케 한 점에서 의의가 크다.

4

이주현교수

RAD: Region-Aware Diffusion nCTX: A Neural Network-Powered Lossless Compressive Transmission Using Shared Information

IEEE/CVF IEEE Transactions on Mobile Computing

2025/06/01

JCR 상위 4.4%

주요내용

논문우수성

본 논문은 송수신자 간에 공유된 정보를 적극 활용해 전송 데이터량을 최소화하는 무손실 압축 전송(nCTX) 방식을 제안하였다. 기존의 딥러닝 기반 압축 코덱이나 중복 제거 방식은 공유 정보와 압축률 간의 상충 관계를 깊이 고려하지 못하고, 제한된 형태로만 활용해 왔다. 이에 비해 nCTX는 송신자와 수신자 모두가 보유한 풍부한 공유 정보를 선택·배치하여, 원본 데이터를 예측하고 그 차이값(오프셋)만을 전송함으로써 효율성을 극대화한다.

nCTX는 생성 모델과 매칭 블록을 적응적으로 활용해 입력 데이터의 의미 정보를 추출하고, 공유된 정보를 기반으로 원본을 복원할 수 있는 신경망 기반 시스템이다. 이를 통해 모바일 환경에서도 실시간 동작이 가능한 속도로 정확한 복원이 가능하다. 실제 모바일 플랫폼을 대상으로 한 광범위한 실험에서, nCTX는 기존 최첨단 무손실 이미지 코덱인 FLIF 및 RC 대비 전송량을 각각 25.8%, 23.3% 줄이면서도 연산 시간은 동등하거나 더 짧았다.

본 연구는 공유 정보를 효과적으로 활용한 새로운 무손실 압축 전송의 가능성을 열었으며, 높은 전송 효율성과 실용성을 동시에 입증하였다. 이러한 혁신성과 학문적 기여를 인정받아 IEEE Transactions on Mobile Computing에 게재되었다.

5

서승현교수

ExpressPQDelivery: Toward Efficient and Immediately

Deployable Post-Quantum Key Delivery forWeb-of-Things

WWW 2025 (The world wide web conference)

2025/04/30

BK인정 우수학술

대회논문

(4점)

주요내용

논문우수성

본 논문은 양자 컴퓨터의 위협에 대응하기 위한 **양자 안전(Quantum-safe) 암호화(PQC)**의 현실적 적용을 위해, 대용량 PQ 키 전송의 지연 문제를 해결하는 ExpressPQDelivery 프로토콜을 제안하였다. PQC는 기존 RSA/ECC보다 훨씬 큰 키를 요구해 네트워크 지연이 심화되며, 특히 메모리가 제한된 사물인터넷(WoT) 기기에서는 적용이 어려웠다. 이를 해결하기 위해 ExpressPQDelivery는 DNS 인프라를 활용해 대용량 PQ 키를 여러 DNS 레코드에 분할, 빠른 키 전송과 짧은 왕복 시간(RTT)을 제공한다. DNS가 클라이언트에 더 가까운 위치에서 동작한다는 점을 활용해, 효율적이고 안정적인 키 분배를 가능하게 했다.

본 연구에서는 ExpressPQDelivery를 TLS 1.3에 적용해 구현하였고, 실제 서버-클라이언트 실험을 통해 표준 TLS 1.3 대비 평균 27%의 네트워크 지연을 단축했음을 입증했다. 또한, 256KB RAM을 가진 저성능 보드에서도 34%의 성능 향상을 보여 WoT 환경에서도 실용적임을 확인했다. 특히, 리소스 제약 환경에서 PQC가 미치는 네트워크 혼잡 영향과 더불어 TCP 수신 버퍼 크기의 중요성을 최초로 규명해, PQC 설계에 새로운 통찰을 제시했다.

본 연구는 PQC의 실용성과 효율성을 높여 WoT 시대의 보안 적용 가능성을 확대한 점에서 학문적·산업적 기여가 크며, BK 4점 CS 분야 최상위 학술대회인 WWW 2025에 발표되어 그 우수성을 인정받았다.

6

이연준교수

BO-CLAHE enhancing neonatal chest X-ray image quality for improved lesion classification

Scientific Reports

2025/02/10

JCR 상위 13.94%

주요내용

논문우수성

본 논문은 저체중 조산아 및 고위험 신생아의 흉부 X-ray 영상에서 병변 분류 정확도를 향상시키기 위한 BO-CLAHE 기법을 제안함. BO-CLAHE는 기존 CLAHE의 수동적 하이퍼파라미터 설정 문제를 해결하기 위해 베이지안 최적화를 적용하여 영상 대비를 자동으로 조정함. 영상 전처리 과정에서 뼈 억제와 흉부 영역 분할을 수행하고, 이후 BO-CLAHE를 적용한 영상으로 딥러닝 모델을 학습시켜 병변 분류 성능을 검증함. 실험 결과, BO-CLAHE를 적용한 영상이 원본 영상 대비 다양한 평가 지표에서 성능이 향상되었으며, 특히 일과성 빈호흡(TTN)과 같은 질환에서 진단 정확도가 크게 개선됨. 본 연구는 신생아의 방사선 노출을 증가시키지 않으면서도 진단 성능을 높이는 효과적인 영상 보정 기법을 제시함. BO-CLAHE는 다양한 딥러닝 모델에서 일관된 성능 향상을 보여주었으며, 특히 TTN과 RDS와 같은 영상적 유사성이 높은 질환을 효과적으로 구분하는 데 탁월한 성능을 나타냄. 또한 SSIM과 BRISQUE 두 가지 지표를 병행하여 구조적 유사성과 주관적 화질을 동시에 고려함으로써 영상 품질 평가의 신뢰성을 확보함. 고도화된 전처리 과정(뼈 억제 및 흉부 분할)을 통해 병변이 잘 드러나는 영상 생성이 가능해졌으며, 이는 임상 현장에서의 적용 가능성을 높이는 핵심 기여로 평가됨.

7

정우환교수

Cardinality Estimation of LIKE Predicate Queries using Deep Learning

SIGMOD (Proceedings of the ACM on Management of Data)

2025/02/11

BK인정 우수학술

대회논문

(4점)

주요내용

논문우수성

데이터베이스에서 문자열의 LIKE 질의 최적화를 위한 카디널리티 예측문제를 연구하였다. 기존 통계 및 샘플링 기반 방식의 한계를 국복하기 위해 딥러닝기반의 모델인 CLIQUE을 제안하였다. 또한, 효과적인 학습을 위해 대규모 학습 데이터를 빠르게 생성할 수 있는 LEADER 알고리즘도 함께 제안하였다. LEADER 알고리즘은 학습데이터 생성속도를 기존 PostgreSQL대비 200배이상 개선하여 모델링 함. 문자열 기반 질의 처리의 핵심인 LIKE 조건의 카디널리티 예측이라는 중요한 문제에 대해 데이터생성, 모델, 학습까지 심도있는 해법을 제시하였다. 또한, 기존 모델이 다루지 못했던 LIKE 패턴의 순차 정보 처리와 학습 데이터 생성의 효율성을 동시에 해결하였다는 점에서 학술적 기여를 하고 있다. 이를 바탕으로 본 논문은 데이터베이스 분야 최우수학술대회인 ACM SIGMOD에 게재되었다.