PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2505.08854v2cs.CV공식 코드 · Papers with Code

자율주행을 위한 생성형 AI: 최전선과 기회

Generative AI for Autonomous Driving: Frontiers and Opportunities

생성형 인공지능(GenAI)은 콘텐츠 생성, 추론, 계획, 멀티모달 이해를 위한 비할 데 없는 역량을 통해 산업을 재편하는 변혁적인 기술 물결을 형성하고 있습니다. 이러한 혁신적인 힘은 공학 분야의 가장 큰 난제 중 하나인 신뢰할 수 있는 완전 자율주행의 달성, 특히 레벨 5 자율주행의 실현을 향한 가장 유망한 경로를 제공합니다. 본 서베이 논문은 자율주행 스택 전반에 걸친 생성형 AI의 부상하는 역할을 포괄적이고 비판적으로 종합하여 제시합니다. 먼저 VAE, GAN, 확산 모델(Diffusion Models), 대규모 언어 모델(LLM)을 아우르는 현대 생성 모델링의 원리와 트레이드오프를 정리합니다. 이어서 이미지, LiDAR, 궤적, 점유(occupancy), 비디오 생성뿐만 아니라 LLM 기반 추론 및 의사결정에서의 최전선 응용 사례를 조망합니다. 또한 합성 데이터 워크플로우, 엔드투엔드(end-to-end) 주행 전략, 고충실도 디지털 트윈 시스템, 지능형 교통 네트워크, 체화된 AI(embodied AI)로의 도메인 간 전이 등 실질적인 적용 분야를 분류합니다. 희귀 사례에 걸친 포괄적 일반화, 평가 및 안전성(safety) 검증, 예산 제약 기반 구현, 규제 준수, 윤리적 문제, 환경적 영향과 같은 주요 장애물과 가능성을 식별하는 동시에, 이론적 보증, 신뢰 메트릭, 교통 통합, 사회기술적 영향에 걸친 연구 계획을 제안합니다. 이러한 흐름을 통합함으로써, 본 서베이는 생성형 AI와 첨단 자율 이동성의 수렴을 탐색하는 연구자, 엔지니어, 정책 입안자들에게 미래지향적인 참고자료를 제공합니다. 인용된 연구들을 적극적으로 관리하는 저장소는 https://github.com/taco-group/GenAI4AD 에서 확인할 수 있습니다.

arXiv:2504.06647v4cs.CV공식 코드 · Papers with Code

Uni-PrevPredMap: PrevPredMap을 온라인 벡터화 HD 맵 구축을 위한 사전 정보 기반 모델링의 통합 프레임워크로 확장

Uni-PrevPredMap: Extending PrevPredMap to a Unified Framework of Prior-Informed Modeling for Online Vectorized HD Map Construction

안전이 중요한 자율주행에서는 사전 정보(prior information)의 효과적인 활용이 요구된다. 온라인 벡터화 HD 맵 구축에서 시간적 예측(temporal predictions)과 비용 효율적인 HD 맵 사전 정보는 서로 상호 보완적이지만 각각은 불완전한 두 가지 정보원이다. 그러나 기존의 사전 정보 기반 접근법은 일반적으로 둘 중 하나만 사용하거나 HD 맵 사전 정보가 신뢰할 수 있다고 가정한다. 본 논문에서는 두 가지를 모두 불완전한 사전 정보로 취급하고, 이들의 공통된 벡터화 표현을 통해 단일 파이프라인 내에서 처리하는 통합 프레임워크인 Uni-PrevPredMap을 제안한다. 그 핵심에는 비사전(non-prior), 시간적 사전(temporal-prior), 시간-맵 융합(temporal-map-fusion) 조건에 모델을 노출시키는 3가지 모드 학습(tri-mode training) 패러다임이 있다. 이 단일 설계를 통해, 하나의 모델이 단일한 고정 사전 정보 조건에서 학습되는 것이 아니라, 사전 정보 없이도 안정적으로 인식하고, 사전 정보가 있을 때는 이를 활용하며, 사전 정보가 불완전할 때도 견고성을 유지할 수 있다. Uni-PrevPredMap은 nuScenes와 Argoverse2에서 맵이 없는(map-absent) 설정에서 최첨단(state-of-the-art) 성능을 달성한다. 두 사전 정보를 함께 사용하면 어느 한 가지 정보원만 사용할 때보다 더 큰 성능 향상을 얻을 수 있으며, 불완전한 사전 정보에 대한 견고성은 학습 중에 보지 못한 합성 섭동(perturbation) 유형에서 평가되어, 모델이 맵 사전 정보에 과도하게 의존하지 않으면서도 이를 활용해 이점을 얻을 수 있음을 보여준다. 코드는 https://github.com/pnnnnnnn/Uni-PrevPredMap 에서 확인할 수 있다.

arXiv:2505.05474v2cs.CV공식 코드 · Papers with Code

3D 장면 생성: 종합 조사

3D Scene Generation: A Survey

3D 장면 생성은 몰입형 미디어, 로보틱스, 자율주행, 체화 AI(embodied AI) 등의 응용을 위해 공간적으로 구조화되고 의미론적으로 유의미하며 포토리얼리스틱(photorealistic)한 환경을 합성하는 것을 목표로 한다. 절차적 규칙(procedural rules)에 기반한 초기 방법은 확장성은 제공했으나 다양성은 제한적이었다. 딥 생성 모델(예: GAN, diffusion model)과 3D 표현(예: NeRF, 3D Gaussians)의 최근 발전은 실세계 장면 분포의 학습을 가능하게 하여 충실도, 다양성, 시점 일관성을 개선했다. diffusion model과 같은 최근 기법은 생성을 이미지 또는 영상 합성 문제로 재구성함으로써 3D 장면 합성과 포토리얼리즘(photorealism)을 연결한다. 본 조사는 최신(state-of-the-art) 접근법에 대한 체계적 개관을 제공하며, 이를 절차적 생성, 신경망 3D 기반 생성, 이미지 기반 생성, 영상 기반 생성의 네 가지 패러다임으로 구분한다. 각 방법의 기술적 기반, 트레이드오프, 대표적 결과를 분석하고, 널리 사용되는 데이터셋, 평가(evaluation) 프로토콜, 하류 응용을 검토한다. 마지막으로 생성 역량, 3D 표현, 데이터 및 주석, 평가의 핵심 과제를 논의하고, 더 높은 충실도, 물리 인식(physics-aware) 및 대화형(interactive) 생성, 통합 지각-생성 모델을 포함한 유망한 연구 방향을 개괄한다. 본 리뷰는 3D 장면 생성의 최근 진전을 정리하고 생성 AI, 3D 비전, 체화 지능의 교차점에서의 유망한 방향을 강조한다. 진행 중인 동향을 추적하기 위해 최신 프로젝트 페이지를 유지한다: https://github.com/hzxie/Awesome-3D-Scene-Generation.

arXiv:2503.12001v5cs.CV공식 코드 · Papers with Code

고충실도 거리 장면 재구성을 위해 움직이는 물체에 대응하는 3D 가우시안 스플래팅

3D Gaussian Splatting against Moving Objects for High-Fidelity Street Scene Reconstruction

동적 거리 장면의 정확한 재구성은 자율주행, 증강현실(AR), 가상현실(VR) 등의 응용 분야에서 매우 중요합니다. 고밀도 점군(dense point cloud) 및 삼각 메시(triangular mesh)에 의존하는 기존 방법들은 움직이는 물체, 가림(occlusion), 실시간 처리 제약으로 인해 복잡한 도시 환경에서 그 효과가 제한됩니다. 다중 뷰 스테레오(multi-view stereo)와 신경 광선 필드(NeRF)가 3D 재구성 기술을 발전시켰으나, 여전히 계산 효율성과 장면의 동적 특성 처리에서 어려움을 겪고 있습니다. 본 논문에서는 동적 거리 장면 재구성을 위한 새로운 3D 가우시안 점 분포 방식을 제안합니다. 제안하는 접근 방식은 고충실도의 정적 장면 세부 정보를 보존하면서 움직이는 물체를 제거하는 적응형 투명도 메커니즘을 도입합니다. 또한, 가우시안 점 분포의 반복적 정제를 통해 기하학적 정확도와 텍스처 표현을 향상시킵니다. 아울러 방향 인코딩과 공간 위치 최적화를 통합하여 저장 용량 및 렌더링 효율성을 최적화함으로써, 장면의 온전함을 유지하면서도 중복성을 줄입니다. 실험 결과는 제안하는 방법이 대규모 동적 환경에서 높은 재구성 품질, 개선된 렌더링 성능, 뛰어난 적응성을 달성함을 입증합니다. 이러한 기여는 실시간 고정밀도 3D 재구성을 위한 견고한 프레임워크를 구축하여 여러 응용 분야에서 동적 장면 모델링의 실용성을 한 단계 끌어올립니다. 본 연구의 소스 코드는 https://github.com/okic-ca/3dgs 에서 공개되어 이용할 수 있습니다.

arXiv:2405.01906v3cs.AI공식 코드 · Papers with Code

신경망 라우팅 솔버의 대규모 일반화를 위한 인스턴스 조건부 적응

Instance-Conditioned Adaptation for Large-scale Generalization of Neural Routing Solver

현대 지능형 교통 시스템(ITS), 특히 화물 운송 및 물류 분야에서 실시간 경로 계획은 매우 중요하다. 이 분야는 서비스 요청의 높은 불확실성으로 인한 고유한 도전 과제를 안고 있으며, 서비스 고객 수가 수백에서 수천 명까지 크게 변동할 수 있다. 기존 신경망 기반 방법들은 이러한 큰 변동 하에서 성능을 유지하는 데 어려움을 겪고 있으며, 이는 실용적 적용 가능성을 심각하게 제한한다. 이 중요한 결함을 해결하기 위해, 본 연구는 더 나은 대규모 일반화를 위해 설계된 새로운 인스턴스 조건부 적응 모델(ICAM)을 제안한다. 특히, 최소한의 계산 오버헤드로 모델 적응성을 향상시키기 위해 현재 교통 시나리오의 특정 기하학적 구조와 밀도에 따라 정책을 조정하는 단순하면서도 효율적인 인스턴스 조건부 적응 함수를 설계한다. 또한, 다양한 규모의 인스턴스에 대해 더 나은 솔루션을 생성하기 위한 강력하면서도 낮은 복잡도의 인스턴스 조건부 적응 모듈을 제안한다. 합성, 벤치마크, 실세계 인스턴스에 대한 광범위한 실험을 통해 ICAM이 널리 연구된 네 가지 대규모 경로 계획 시나리오에서 일관되게 우수한 일반화 성능을 달성함을 입증한다. 특히, 제안된 방법은 매우 빠른 추론 속도로 고품질 솔루션을 제공하여 실시간 지능형 교통 운영을 위한 확장 가능하고 효율적인 솔루션을 제공한다. 코드는 https://github.com/CIAM-Group/ICAM 에서 공개되어 있다.

arXiv:2406.05670v3cs.LG공식 코드 · Papers with Code

그래디언트 기반 학습에서 데이터 중독에 대한 인증된 견고성

Certified Robustness to Data Poisoning in Gradient-Based Training

현대 기계학습 파이프라인은 대량의 공개 데이터를 활용하므로 데이터 품질을 보장하기 어렵고, 모델이 데이터 중독(data poisoning) 및 백도어(backdoor) 공격에 노출됩니다. 이러한 공격 하에서 모델 동작을 증명 가능하게 한정하는 것은 여전히 미해결 문제입니다. 본 연구에서는 모델이나 학습 알고리즘을 수정하지 않고도 잠재적으로 조작된 데이터로 학습된 모델의 동작에 대한 증명 가능한 보장을 제공하는 최초의 프레임워크를 개발하여 이 문제에 대응합니다. 특히 본 프레임워크는 학습 입력과 레이블에 대한 유계 및 무계 조작에 대해 비표적 및 표적 중독과 백도어 공격 모두에 대한 견고성을 인증합니다. 본 방법은 볼록 완화(convex relaxation)를 활용하여 주어진 중독 위협 모델에 대한 모든 가능한 매개변수 업데이트 집합을 과대 근사함으로써, 모든 그래디언트 기반 학습 알고리즘에 대해 도달 가능한 매개변수 집합 전체를 경계합니다. 이 매개변수 집합을 바탕으로 모델 성능과 백도어 성공률을 포함한 최악의 경우 동작에 대한 경계를 제공합니다. 에너지 소비, 의료 영상, 자율 주행 등의 응용 분야에서 다수의 실제 데이터셋에 대해 본 접근법을 시연합니다.