• 목록

<발표 후기>
8월 24일(월)
세션: 포스터 세션 #1
제목: Learnable Physics-Guided Stain Normalization via Color-Intensity Decoupling

하계 데이터마이닝 학회에서 Learnable Physics-Guided Stain Normalization via Color–Intensity Decoupling을 주제로 발표를 진행하였다. 본 연구는 병리 이미지에서 스캐너 및 염색 프로토콜 차이로 발생하는 domain shift를 완화하기 위해, 조직 구조를 보존하면서 염색 특성을 정규화하는 방법론을 제안하였다. 이를 위해 Beer-Lambert 법칙을 기반으로 병리 이미지를 Stain Matrix와 H/E 밀도로 분해하고, StainMatrixNet을 통해 이미지별 염색 특성을 추정하였다. 또한 Density Gate를 적용하여 배경 영역의 불필요한 재염색을 방지하고, Stain Augmentation을 활용하여 unpaired dataset에서도 학습할 수 있도록 구성하였다. 실험에서는 CAMELYON17 데이터셋을 활용하여 기존 Conventional, GAN, Diffusion 기반 방법과 비교하였으며, 구조 보존 성능과 색상 변환 성능뿐 아니라 추론 속도에서도 높은 효율성을 확인하였다. 본 발표를 통해 제안 방법의 구조와 실험 결과를 함께 소개할 수 있었으며, 향후에는 다양한 도메인과 downstream task에 대한 추가 검증이 필요하다고 생각하였다.

<청취 후기>
[P2-36] Subclass Unlearning without Retain Data via Synthetic Image Generation
본 연구는 특정 subclass의 영향을 제거하면서 나머지 데이터에 대한 모델 성능을 유지하는 Subclass Unlearning 문제를 다루었다. 기존 방법들이 망각 대상 외의 retain data를 필요로 하는 한계를 해결하기 위해, WordNet 기반 프롬프트와 이미지 생성 모델을 활용하여 인접 subclass의 synthetic retain image를 생성하고 학습에 활용하였다. 또한 망각 손실과 유지 손실 사이의 gradient 충돌을 줄이기 위해 Gradient Projection을 적용하여, retain data가 제한된 상황에서도 효과적인 unlearning이 가능함을 보였다. 실제 데이터를 직접 사용하지 않고 생성형 AI를 통해 필요한 데이터를 대체한다는 점에서, 데이터 접근이 제한되는 의료 영상과 같은 분야에도 활용 가능성이 있을 것으로 보여 인상 깊었다.

<학회 후기>
다양한 분야의 교수님들의 초청강연을 통해 넓은 시각에서의 AI연구를 생각해볼 수 있었고, 기업초청 강연을 통해 실제로 AI가 어떻게 쓰이고 있는지에 대해 알 수 있었다. 우수학회논문발표 세션은 우수학회에 accept되기 위해 어떤식으로 실험을 세팅하고 진행해야하는지를 느낄 수 있는 좋은 시간이였다. 다양한 포스터발표를 통해 다른 연구실, 연구원분들이 어떠한 연구를 하고 있는지 알 수 있었고, 현재의 트렌드 등 연구에 대한 시야를 넓힐 수 있는 좋은 기회였다. 마지막으로 이러한 자리를 만들어주시고 경험하게 해주신 교수님께 감사드린다.