• 목록

<발표 후기>
8월 24일(월)
세션 : 포스터 세션 #1
제목 : Open-Vocabulary Semantic Segmentation via Spectral Region Discovery and Optimal-Transport Labeling

본 연구에서는 CLIP 기반 Training-free Open-Vocabulary Semantic Segmentation에서 발생하는 패치 단위 예측의 단편화 및 의미적 불일치 문제를 개선하기 위한 방법론을 발표하였다. Self-Self Attention 기반 Local Feature Refinement(LFR)를 통해 지역적 의미 특징을 강화하고, Spectral Region Grouping(SRG)을 통해 패치 단위 예측을 의미적으로 일관된 객체 수준의 영역으로 구성하였다. 이후 Region-level Optimal Transport(ROT)를 적용하여 영역 특징과 텍스트 클래스 간의 최적 매칭을 수행함으로써 기존 Training-free OVSS 방법 대비 향상된 분할 성능을 확인하였다. 발표 후 한 교수님께서 비슷한 연구가 방산 분야에서도 수행되고 있다고 말씀해 주시면서, 향후 방산 분야와 연계해서 연구해 보는 것도 좋겠다는 의견을 주셨다. 기존에 생각하지 못했던 활용 분야였기 때문에 특히 인상 깊었고, 앞으로 연구 방향을 넓혀가는 데 참고할 수 있을 것 같다.

<청취 후기>
[P2-26] Representation-Conditioned Graph Utility in Heterogeneous Text-Attributed Graphs
본 연구는 텍스트 정보를 가진 그래프에서 어떤 Text Encoder를 사용하느냐에 따라 그래프 학습 성능이 어떻게 달라지는지 분석하였다. 동일한 텍스트를 여러 Text Encoder로 임베딩한 뒤, MLP와 GraphSAGE 등의 모델에 적용하여 텍스트 정보만 사용했을 때와 그래프 연결 정보를 함께 사용했을 때의 성능 차이를 비교하였다. 또한 임베딩이 특정 방향에 얼마나 몰려 있는지와 실제로 얼마나 다양한 차원을 사용하는지를 분석하여 성능 차이의 원인을 살펴보았다. 기존에는 주로 어떤 GNN 모델이 더 좋은 성능을 내는지에 초점을 맞춰 생각했는데, 같은 그래프 모델이라도 Text Encoder와 임베딩의 특성에 따라 그래프 정보의 활용도가 달라질 수 있다는 점이 새롭게 느껴졌다.

[세션3-2] AnoStyler: Text-Driven Localized Anomaly Generation via Lightweight Style Transfer (AAAI 2026)
본 연구는 정상 이미지에 원하는 이상을 생성하기 위해 텍스트 기반의 국소적 Style Transfer 방법을 제안하였다. Meta-Shape와 SAM을 이용해 이상 영역을 설정하고, CLIP을 통해 정상과 이상 텍스트 간의 의미적 변화 방향을 정의한 뒤, 경량 U-Net이 해당 방향으로 이미지를 변환하도록 학습한다. 특히 Mask 및 Patch 단위의 Loss를 적용하여 원하는 영역에 이상 특성이 나타나도록 한 점이 특징적이다.
기존에는 얼굴 데이터를 활용한 Style Transfer를 주로 접했는데, 이를 이상탐지 데이터 생성에 적용했다는 점이 새롭게 느껴졌고, 데이터가 부족한 산업 이상탐지 분야에서도 활용할 수 있다는 점이 인상적이었다.

<학회 후기>
이번 학회를 통해 다양한 분야의 연구 주제와 최신 방법론을 접하고, 다른 연구자들과 의견을 나눌 수 있었다. 특히 발표와 질의응답 과정에서 새로운 연구 방향을 생각해 볼 수 있었으며, 기존에 접해왔던 기술이 다양한 분야에 새롭게 활용될 수 있다는 점이 인상적이었다. 이러한 경험을 할 수 있도록 학회 참여의 기회를 마련해 주시고 지도해 주신 교수님께 감사드린다.