catholic.ac.kr

이 이메일 도메인이 관측된 논문 2건

arXiv:2609.24198v1cs.AI

SKstars at SHROOM: Visions — 제로샷 및 LoRA 적응 비전-언어 모델의 합의 기반 앙상블

SKstars at SHROOM: Visions Agreement-Guided Ensembling of Zero-Shot and LoRA-Adapted Vision--Language Models

본 논문은 대규모 비전-언어 모델 출력에서의 세밀한 환각(hallucination) 탐지를 다루는 공유 과제인 SHROOM-Visions 2026에 대한 SKstars의 제출을 설명한다. 이 과제는 시스템이 환각된 문자(span) 구간을 식별하고, 환각 범주를 부여하며, 예측에 대한 신뢰도 추정치를 제공하도록 요구한다. 우리의 접근법은 Qwen2.5-VL-72B-Instruct의 제로샷 예측과 LoRA로 적응한 Qwen2.5-VL-7B-Instruct 모델의 예측을 결합한다. 두 모델의 출력은 경량 앙상블 절차를 통해 통합된 뒤, span 정제와 신뢰도 조정이 이어진다. 우리는 주요 시스템 구성 요소를 소규모 내부 개발 부분집합에서 평가하고, 제출 시스템의 성능을 공식 영어 테스트 세트에서 보고한다. SKstars는 Cor+Lbl 점수 0.2902로 29개 팀 중 15위를 기록했으며, Cor 및 IoU 점수는 각각 0.3642와 0.3151로 두 지표 모두 18위를 차지했다. 결과는 대규모 제로샷 모델과 더 작은 적응 모델을 결합하는 것이 다국어 및 세밀한 환각 국소화를 위한 실용적 틀을 제공함을 보여 주면서, 개발 세트에서의 개선을 숨겨진 테스트 데이터로 전이하는 데 따른 어려움도 부각한다. 코드 및 예측: https://github.com/aliathar1401/SK-Stars-shroom-visions-2026

arXiv:2609.24116v1cs.CV

Patch-to-Global: 전체 슬라이드 이미지에서 전역 일관 메가픽셀 아티팩트 인페인팅을 위한 랜덤 패치 확산

Patch-to-Global: Random Patch Diffusion for Globally Consistent Megapixel Artifact Inpainting in Whole Slide Images

심층 학습이 전체 슬라이드 이미지(WSI) 분석을 발전시켰지만, 기포나 주름과 같은 조직 아티팩트는 필수 형태학을 가려 침묵 실패(silent failures)를 자주 유발한다. 현재 병리학 이미지 복원 방법은 대부분 작은 패치에 국한되어 메가픽셀 규모에서 전역 구조적 일관성을 유지하기 어렵다. 우리는 조직학적 이미지에서 진단 구조를 재구성하여 잘못된 고신뢰도 예측을 방지하고 오류율을 낮추는, 전역 일관 메가픽셀 규모 인페인팅을 위한 프레임워크 RestorePath를 제안한다. 우리 모델은 병리학 파운데이션 모델(PFM) 임베딩을 조건으로 하는 잠재 확산 모델(LDM)을 활용하며, 랜덤 패치 확산 동안 장거리 의존성을 다루기 위해 Large Kernel Attention(LKA)를 통합한다. Distance-Weighted Interpolation(DWI)과 Adaptive Guidance Scale(AGS)로 강화된 RestorePath는 주변 패치의 정보를 조절하여 구조적 일관성과 충실도를 보장한다. 512~4608픽셀 범위의 이미지에 대해 TCGA-BRCA, BACH, Camelyon16 데이터셋에서의 평가는 조직학적 일관성 유지에서 최신(state-of-the-art) 성능을 보여준다. RestorePath는 하류 계산 병리학(CP) 과제를 유의미하게 개선하며, 원본 아티팩트 이미지와 기존 Detect-and-Discard(D&D) 접근법 모두를 능가한다. 코드는 https://github.com/PathfinderLab/RestorePath 에서 이용 가능하다.