PyTorchKR Papers

최신 논문

총 2,147편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.03661v1cs.CV

기하학적 레이블에서 멀티모달 대규모 언어 모델을 활용한 실내 건물 구성 요소의 의미론적 이해로

From Geometric Labels to Semantic Understanding of Indoor Building Components Using Multimodal Large Language Models

포인트 클라우드 기반 이해는 실내 건물 구성 요소와 관련된 시설 운영 및 유지보수의 중요한 기반 기술이 되었다. 그러나 기존 방법들은 구성 요소의 기능이나 자연어 상호작용에 대한 설명 없이 이산적인 레이블만을 출력한다. 본 논문은 실내 구성 요소를 위한 포인트 클라우드 중심의 멀티모달 대규모 언어 모델(MLLM)인 Building-MLLM을 제안하며, 포인트 클라우드와 인스트럭션을 모델링하여 단순 인식(Simple Recognition), 복합 캡셔닝(Complex Captioning), 다중 엔지니어링 질의응답(Multi-Engineering Question Answering) 태스크에 걸쳐 응답을 생성한다. Building-MLLM은 네 가지 도메인 특화 메커니즘을 통해 의미 집중 문제를 해결한다: 태스크 관련 의미론을 위한 포인트 정보 향상기(Point Information Enhancer), 기하학적 침식을 방지하는 기하 보존 정규화(Geometry-Preserving Regularization), 도메인 안정화를 위한 고정된 텍스트 접두 문맥(fixed textual prefix), 그리고 인식과 추론의 균형을 맞추는 다차원 LoRA이다. 다중 제약 점진적 인스트럭션 생성 엔진을 개발하여 4,198개의 객체, 37,782개의 인스트럭션 팔로잉 쌍, 47개의 카테고리로 구성된 합성 포인트 클라우드-텍스트 데이터셋을 구축하였다. 실험 결과, Building-MLLM은 세 가지 태스크 유형에서 각각 88.00%, 65.10%, 68.14%를 달성하여 우수한 실내 구성 요소 언어 이해 능력을 입증하며, 다른 실세계 데이터셋에 대한 전이 추론에서 초기 일반화 가능성을 제공한다.

arXiv:2607.03624v1cs.CV

RADIO1D: 압축된 비전 모델링을 위한 탄력적 표현

RADIO1D: Elastic Representations for Condensed Vision Modeling

이 논문은 비전-언어 모델(VLM)이 고정된 패치 기반 2D 비전 특징을 필요로 한다는 가정에 도전한다. 파인튜닝된 비전 인코더를 분석한 결과, VLM 학습 과정에서 표현이 점점 더 추상적으로 변하고 공간적 일관성이 감소함을 발견하였다. 특히, 이미지-텍스트 정렬로 학습된 모델(예: SigLIP2)은 전체 이미지 내용을 효과적으로 요약하는 소수의 특화된 토큰을 형성한다. 이를 기반으로, 우리는 다중 교사 지식 증류와 오토인코더 설계를 활용하여 이미지를 간결한 가변 길이 1D 토큰 시퀀스로 압축하는 RADIO1D를 제안한다. 생성된 표현은 강력한 계층적 요약 능력을 나타내어, 단일 토큰만으로도 정확한 장면 이해를 가능하게 하며 향상된 구성 인식 이미지 검색을 지원한다. VLM에서 RADIO1D는 조정 가능한 토큰 수를 통해 유연한 정확도-효율성 트레이드오프를 제공하며, 낮은 연산 비용과 더 나은 정확도로 다양한 멀티모달 벤치마크에서 경쟁력 있는 성능을 달성한다.

arXiv:2607.03614v1cs.CV

IDEAL-Bench: 3D 레이아웃 추론 분석을 위한 실내 데이터셋 및 평가 모음

IDEAL-Bench: Indoor Dataset and Evaluation suite for Analyzing 3D Layout reasoning

공간 질의응답(spatial question answering)은 비전-언어 모델(VLM)의 공간 지능을 평가하는 지배적인 패러다임이지만, 공간 역량의 상보적 축인 전체론적 3D 레이아웃 추론(holistic 3D layout inference)—단일 이미지에서 모든 가시 객체의 포즈와 크기를 구조화된 형태로 예측하는 능력—은 충분히 평가되지 않고 있다. 이를 위해 우리는 IDEAL-Bench를 소개한다. 이는 VLM이 10가지 방 유형에 걸친 사실적 실내 장면에서 구조화된 3D 레이아웃을 예측하도록 요구하는 평가 모음으로, 5가지 수치 차원과 지각적 렌더링-비교(render-and-compare) 프로토콜로 채점된다. 제어된 조명과 시점 하에 완전한 에셋 치환(full asset substitution)을 적용한 의미론적으로 현실적인 장면을 활용함으로써, IDEAL-Bench는 CLEVR 방식의 단순한 기하학적 프리미티브를 넘어서, 이미지 공간에서의 불일치가 오직 공간 추론만을 반영하도록 한다. 이 벤치마크는 정답 레이아웃이 포함된 1,000개의 절차적으로 생성된 재렌더링 가능한 Blender 환경 데이터셋인 IDEAL-Scenes를 기반으로 구축된다. 15개의 주요 VLM을 평가한 결과 세 가지 발견이 도출되었다: 첫째, 이 태스크는 여전히 대부분 미해결 상태이며, 가장 강력한 모델도 전체 점수 100점 만점에 62.1점에 그쳤다. 둘째, 모든 모델은 객체 인식과 기하학적 회귀(geometric regression) 사이에서 뚜렷한 비대칭성을 보였으며, 이는 현재 VLM이 장면을 측정하기보다는 묘사하도록 학습되었음을 나타낸다. 셋째, 모델 순위가 QA 기반 및 프리미티브 재구성 벤치마크의 순위와 부분적으로 달랐다: 최상위 합의는 유지되었으나 중위권 순위는 상당히 변동되었다. 종합하면, 이러한 발견들은 IDEAL-Bench를 QA 기반 평가가 드러낼 수 없는 기하학적·구조적 역량을 겨냥한 진단 모음으로 자리매김하며, 차세대 VLM에서 공간 지능을 보다 엄밀하게 평가하는 방향을 제시한다. 이러한 발견들은 종합적으로 IDEAL-Bench를 미래의 VLM이 공간적 이해를 언어적 근사가 아닌 진정한 형태로 달성하는지를 판단하기 위한 원칙적 진단 도구로 위치시킨다.

arXiv:2607.02921v1cs.CV

R3D: 자아중심 웨어러블을 위한 정량적 3D 공간 추론

R3D: Quantitative 3D Spatial Reasoning for Egocentric Wearables

자아중심(egocentric) RGB-D 비디오에서의 정량적 3D 공간 추론은 차세대 웨어러블 어시스턴트의 핵심 역량이다. 그러나 기존 벤치마크는 (1) 자연스러운 자아중심 비디오, (2) 포즈 정보가 포함된 RGB-D 비디오 입력, (3) 도전적인 정량적 3D 공간 추론 Q&A를 다루는 어려움을 반영하지 못한다. 이 공백을 메우기 위해, 우리는 R3D-Bench(Reasoning in 3D)를 소개한다. 이는 Aria Digital Twin의 57개 자아중심 비디오 시퀀스를 기반으로 구축된 벤치마크로, 다중 선택, 거리 기반, 부피 추론 질문을 포함한 15가지 유형에 걸쳐 3,033개의 정량적 공간 추론 질문으로 구성된다. 이 데이터셋에서 강력한 기준선을 제시하기 위해, 우리는 모델에 무관한(model-agnostic) 공간 도구 호출 프레임워크인 R3D를 소개한다. 3D 정보를 모델의 입력 표현에 직접 임베딩하는 기존 접근 방식과 달리, R3D는 분할(segmentation) 및 깊이 기반 객체 표현을 사용하여 비디오로부터 3D 장면을 구성한다. 그리고 8개의 조합 가능한 공간 도구를 통해 이 정보를 대규모 언어 모델(LLM)에 제공한다. R3D-Bench에서 Qwen3-VL 235B를 활용한 R3D는 평균 상대 정확도 73.5%를 달성하여, 최고 깊이 활용 기준선(CuTR+Tools, 61.9%)과 최고 RGB 전용 기준선(Gemini 3 Flash, 46.5%)을 크게 상회한다.

arXiv:2607.02908v1cs.CV

Holo-Captioning: 3D 장면의 텍스트 등가물을 향하여

Holo-Captioning: Toward the Text Equivalent of 3D Scenes

본 연구는 3D 장면의 텍스트 등가물을 추구하는 새로운 태스크인 홀로-캡셔닝(holo-captioning)을 소개한다. 첫 단계로, 우리는 홀로-캡셔닝을 3D 장면 내 모든 개체(entity)를 의미론적 태그, 공간적 위치, 속성, 개체 간 관계를 포함하여 포괄적으로 묘사하는 구조화된 텍스트 설명을 생성하는 태스크로 정식화한다. 이 도전적인 태스크를 해결하기 위해, 우리는 먼저 개별 개체 인스턴스 및 인스턴스 쌍에 대한 상세한 설명을 생성하는 효과적인 캡셔닝 엔진을 개발하고, 학습 및 평가를 위한 15K개 이상의 장면으로 구성된 대규모 벤치마크를 기여한다. 이 기반 위에서, 우리는 구조화된 홀로-캡션을 생성하기 위한 인스턴스 인식 분리 파이프라인을 특징으로 하며, 관계형 인스턴스 쌍을 식별하기 위한 앵커 인식 인스턴스 연결(anchor-aware instance linking)을 추가로 통합한 새로운 모델인 HoloScribe를 제안한다. 또한, HoloScore라는 종합적인 평가 지표를 제안하고, 신뢰할 수 있는 모델 평가를 보장하기 위해 인간이 큐레이션한 테스트 세트를 제공한다. 실험 결과, HoloScribe는 최첨단 3D 밀집 캡셔너 및 3D 대규모 언어 모델(LLM) 제너럴리스트를 크게 능가하며, 우리 접근법의 효과성을 입증한다. 프로젝트 페이지: https://visual-ai.github.io/holocap/

arXiv:2607.03530v1cs.AI

MentalThink: 심상 SVG 세계에서 사고 형성하기

MentalThink: Shaping Thoughts in Mental SVG World

우리는 멀티모달 대규모 언어 모델(MLLM)에 "심상" 시각화를 위한 실행 가능한 메커니즘을 부여하는 시각-기호적 추론 패러다임인 MentalThink를 소개한다. MentalThink의 핵심은 SVG와 함께 생각하는(think-with-SVG) 파이프라인으로, 모델이 다중 턴 추론을 위한 중간 시각적 표현으로서 확장 가능한 벡터 그래픽(SVG) 코드를 생성, 렌더링하고 해석하는 방법을 학습한다. 구조화된 벡터 스케치를 생성함으로써 모델은 공간적 가설을 외재화하고, 결정론적 렌더링을 통해 이를 검사하며, 제한된 기하학적 공간 내에서 추론할 수 있어 인간의 심상(mental imagery) 과정을 효과적으로 모방한다. 우리는 SVG 구문 정렬을 위한 지도 미세조정(SFT)과 중간 시각적 가설의 반복적인 검사, 수정 및 개선을 장려하기 위한 다중 턴 강화학습(RL)을 결합한 2단계 학습 프레임워크를 통해 이 패러다임을 구체화한다. 광범위한 평가를 통해 MentalThink가 공간 이해 및 추론 벤치마크에서 우수한 성능을 달성함(예: VSIBench에서 55.1%, MindCube에서 76.0%)을 입증하며, 실행 가능한 벡터 그래픽이 동적 관점 취득, 시각적 반성, 구성적 장면 구성을 위한 검증 가능한 시각적 작업 공간을 제공함을 보여준다.

arXiv:2607.03283v1cs.AI

임바디드 오퍼레이터와 벤치마킹: 재사용 가능하고 배포 가능한 임바디드 인텔리전스 시스템을 향하여

Embodied Operators and Benchmarking: Toward Reusable and Deployable Embodied Intelligence Systems

임바디드 인텔리전스 시스템은 엔드-투-엔드 정책 모델뿐만 아니라, 멀티모달 관측값, 로봇 상태, 인간 시연, 태스크 컨텍스트를 구조화된 표현, 의사결정, 궤적, 제어 참조값, 시스템 서비스로 변환하는 재사용 가능한 기능 모듈도 필요로 한다. 본 연구는 이러한 모듈을 임바디드 오퍼레이터(embodied operator)로 정의하고, 임바디드 인텔리전스 파이프라인 내에서 독립적이면서도 조합 가능한 단위로서 연구한다. 우리는 임바디드 오퍼레이터의 정의 경계를 명확히 하며, 태스크 의미론, 표준화된 입출력 계약, 배포 가능성, 재사용성, 다층(multi-layer) 최적화 가능성을 강조한다. 나아가 다섯 가지 범주를 아우르는 분류 체계를 구축한다: 검출 및 분할, 공간적 위치 추정 및 3D 이해, 손 동작 복원, 임바디드 파운데이션 모델 및 태스크-결정 오퍼레이터, 그리고 계획·제어·시스템 지원 오퍼레이터. 각 범주에 대해 대표적인 기능, 기술 패러다임, 적용 역할, 실용적 한계를 정리한다. 분류 체계를 넘어, 정확성, 엔드-투-엔드 효율성, 자원 사용량, 시간적 안정성, 이식성, 인터페이스 호환성, 배포 신뢰성, 다운스트림 태스크 활용성의 측면에서 임바디드 오퍼레이터를 평가하는 다차원 벤치마크 프레임워크를 제안한다. 또한 워크플로우 수준의 오퍼레이터 가속화와 오퍼레이터 조합, 데이터 표준화, 월드 모델, VLA 안전성, 엣지 배포, 실세계 응용 가치에 관한 미해결 과제들을 논의한다. 종합적으로, 본 연구는 임바디드 오퍼레이터가 전체론적인 배포 가능 컴포넌트로서 최적화 및 평가되어야 함을 주장하며, 재사용 가능하고 확장 가능하며 검증 가능한 임바디드 인텔리전스 시스템을 위한 토대를 제공한다.

arXiv:2607.02407v1cs.AI

Text-Driven 3D Indoor Scene Synthesis in Non-Manhattan Environments

비직교 벽면과 불규칙한 경계를 갖는 비맨해튼(non-Manhattan) 실내 환경에서 텍스트 기반 3D 장면 생성이 어렵다는 문제를 해결하기 위해, SPG-Layout은 객체 분포의 통계적 사전 정보(spatial prior)를 강화학습 보상으로 활용하는 두 단계 학습 전략과 대형 가구를 우선 배치하는 계층적 레이아웃 전략을 결합한 프레임워크를 제안한다. 500개의 다양한 비맨해튼 환경으로 구성된 새 벤치마크 실험에서 기존 방법 대비 레이아웃 충실도와 물리적 타당성 모두에서 일관되게 뛰어난 성능을 보였다.

arXiv:2607.01860v1cs.RO

DL-SLAM: 이중 수준 확률 기반 동적 환경에서의 고충실도 가우시안 스플래팅 SLAM 구현

DL-SLAM: Enabling High-Fidelity Gaussian Splatting SLAM in Dynamic Environments based on Dual-Level Probability

동적 환경에서의 3DGS 기반 SLAM 문제를 해결하기 위해, DL-SLAM은 의미론적·기하학적 정보를 결합한 이중 수준(픽셀 수준 + 객체 수준) 확률 프레임워크를 도입하여 일시적으로 정적인 객체는 포즈 추정에 활용하면서도 동적 가우시안을 객체 단위로 제거해 아티팩트 없는 정적 지도를 생성한다. 세 가지 동적 데이터셋 실험에서 기존 방법 대비 추적 정확도를 최대 13% 향상시키고 고충실도 의미론적 지도를 생성함을 입증했다.

arXiv:2607.01784v1cs.CV

SpaceEra++: 비디오에서의 3D 공간 추론을 위한 통합 프레임워크

SpaceEra++: A Unified Framework Towards 3D Spatial Reasoning in Video

비전-언어 모델(VLM)의 3D 공간 추론 한계를 극복하기 위해, NeurIPS 2025 Spotlight 논문인 SpaceEra를 확장한 SpaceEra++를 제안하며, 공간적 커버리지와 객체 의미론을 균형있게 고려하는 프레임 샘플링 전략 ScenePick과 절대 좌표 및 상대적 공간 관계를 강화학습 보상으로 통합하는 SpaceAlign을 새롭게 도입하였다. 다수의 벤치마크 실험에서 강력한 기준선 대비 일관된 성능 향상이 확인되었다.

arXiv:2607.01708v1cs.CV

다중 단서 마스크 정제를 통한 3D 가우시안 스플래팅의 일관된 장면 이해

Consistent Scene Understanding in 3D Gaussian Splatting via Multi-Cue Mask Refinement

SAM의 2D 중심 설계로 인한 과분할(over-segmentation)과 뷰 간 불일관성 문제를 해결하기 위해, DINOv2 의미론적 임베딩, DepthAnythingV2 단안 깊이 추정, LoG 엣지 맵을 결합한 Multi-Cue-Guided Mask Merging(MCM) 프레임워크를 제안한다. 정제된 2D 마스크를 교차 뷰 매칭으로 전역 일관성을 확보한 후 3D Gaussian Splatting 특징 필드로 리프팅함으로써, 기존 방법 대비 분할 안정성과 교차 뷰 일관성을 크게 향상시켰다.

arXiv:2607.01633v1cs.CV

포즈 없는 이미지에서 종합적인 개방형 어휘 장면 이해를 위한 3D 가우시안과 의미론적 점유 연결

Bridging 3D Gaussians and Semantic Occupancy for Comprehensive Open-Vocabulary Scene Understanding from Unposed Images

포즈 정보 없는 희소 이미지에서 렌더링·의미론·3D 점유 공간을 동시에 복원하기 위해, COVScene은 미분 가능한 체적 리프팅(differentiable volumetric lifting)으로 3D Gaussian 기본 요소와 밀집 의미론적 점유 필드를 학습 계산 그래프 내에서 결합한다. ScanNet 및 ScanNet++에서 복셀 수준 감독 없이도 개방형 어휘(open-vocabulary) 분할과 의미론적 점유 예측에서 자기지도 기준선 대비 우수한 성능을 달성했다.

arXiv:2607.01628v1cs.CV

가상 드론 발사를 통한 온라인 3D 가우시안 세그먼테이션

Online Segment 3D Gaussians via Launching Virtual Drones

3D 가우시안 스플래팅 장면에서 수십 초~수 분에 달하는 사전 설정 단계를 완전히 제거하기 위해, SAGO는 가상 드론이 마르코프 과정 기반의 Next-Best-View(NBV) 계획을 통해 새로운 시점을 탐색하며 SAM 마스크로 배경 가우시안을 반복적으로 제거하는 설정 불필요(setup-free) 온라인 세그먼테이션 프레임워크를 제안한다. 기존 설정 불필요 방식 대비 50배 이상의 속도 향상을 달성하면서 1초 미만의 지연 시간으로 고품질 3D 에셋 추출이 가능함을 실험으로 입증하였다.

arXiv:2601.22032v2cs.CV

Drive-JEPA: 엔드-투-엔드 자율주행을 위한 비디오 JEPA와 멀티모달 궤적 증류의 결합

Drive-JEPA: Video JEPA Meets Multimodal Trajectory Distillation for End-to-End Driving

V-JEPA(비디오 결합 임베딩 예측 아키텍처)를 자율주행에 적용하여 대규모 주행 비디오로 ViT 인코더를 사전학습하고, 시뮬레이터 생성 멀티모달 궤적을 인간 궤적과 함께 증류하는 제안 중심 계획기를 결합한 Drive-JEPA 프레임워크를 제안한다. NAVSIM v1에서 93.7 PDMS, v2에서 87.8 EPDMS를 달성하며 새로운 최고 성능을 기록했고, 인지 없는 설정에서도 기존 방법 대비 PDMS 3점 향상을 보였다.

arXiv:2512.06179v3cs.CV

반복적 조명 및 기하 추론을 통한 투영 그림자 및 부착 그림자 검출

Cast and Attached Shadow Detection via Iterative Light and Geometry Reasoning

빛 방향과 표면 법선의 물리적 관계를 활용해 투영 그림자(cast shadow)와 부착 그림자(attached shadow)를 동시에 검출하는 이중 모듈 프레임워크를 제안하며, 그림자 검출 모듈과 조명 추정 모듈이 서로를 반복적으로 정제하는 폐쇄 피드백 루프 구조를 채택한다. 세 개의 기존 벤치마크에서 구축한 1,458장의 수동 주석 데이터셋으로 평가한 결과, 부착 그림자 BER을 최소 33% 감소시키며 기존 방법 대비 우수한 성능을 달성했다.

arXiv:2511.20274v2cs.CV

SCLARO: 그라운딩된 시나리오 수준 장면 이해를 위한 데이터셋 및 벤치마킹을 위한 ScenarioCLIP

SCLARO: A Dataset for Grounded Scenario-Level Scene Understanding and ScenarioCLIP for Benchmarking

장면 내 행동, 객체, 객체 간 관계를 세 수준 모두에서 그라운딩된 어노테이션으로 동시에 제공하는 대규모 데이터셋이 부재한 문제를 해결하기 위해, 실내·실외·주행 시나리오에 걸친 615,805장 이미지에 전역 행동 캡션, 바운딩 박스, 관계 트리플렛을 포함한 SCLARO 데이터셋을 구축했다. 이를 벤치마킹하기 위해 분리된 인코더와 EMA 기반 지식 증류(distillation)로 세 수준을 동시에 인코딩하는 ScenarioCLIP을 제안하며, 제로샷 검색·객체 검출·씬 그래프 분류 등 다양한 태스크에서 PyramidCLIP 대비 특히 관계 수준과 도메인 외 일반화 성능이 향상됨을 입증했다.

arXiv:2607.02417v1cs.RO

LIME: 에고센트릭 비디오로부터 의도 인식 카메라 모션 학습

LIME: Learning Intent-aware Camera Motion from Egocentric Video

자율 로봇이 의도에 맞는 시야를 능동적으로 확보할 수 있도록, LIME은 에고센트릭 비디오에서 자동 채굴한 다중 의도-카메라 모션 감독 신호를 활용해 자연어 의도와 현재 RGB 관측으로부터 상대적 SE(3) 목표 카메라 포즈를 예측하는 비전-언어 모델이다. 자기회귀적 관측 획득(observation-gain) 출력과 연속 플로우 매칭(flow-matching) 포즈 헤드를 결합한 설계로 다중 가설 시야를 표현하며, 조작·구현된 질의응답·다단계 로봇 태스크 등 다양한 다운스트림 과제에서 유효성을 입증했다.

arXiv:2607.00889v1cs.CV

DeWorldSG: 월드 모델 사전 지식을 활용한 깊이 인식 3D 의미론적 장면 그래프 생성

DeWorldSG: Depth-Aware 3D Semantic Scene Graph Generation via World-Model Priors

RGB-D 시퀀스에서 안정적인 3D 의미론적 장면 그래프(Semantic Scene Graph)를 생성하기 위해, DeWorldSG는 깊이 기반 필터링으로 인스턴스별 확률적 3D 가우시안 분포를 추정하고 각 객체를 단일 투영 점 대신 확률적 3D 노드로 표현한다. 또한 월드 모델(V-JEPA 2)의 시공간적 사전 지식을 활용해 프레임 단위 추론의 관계 희소성 문제를 완화함으로써, 3DSSG 및 ReplicaSSG 벤치마크에서 기존 최고 성능 대비 트리플릿 재현율 77.4%, 서술어 재현율 23.2% 향상을 달성했다.

arXiv:2607.00881v1cs.CV

OmniView-Space: 다중 시점 공간 매핑을 통한 공간 추론 강화

OmniView-Space: Reinforcing Spatial Reasoning via Multi-Perspective Spatial Mapping

다중모달 대규모 언어 모델(MLLM)이 복잡한 공간 추론 시 쿼리가 요구하는 카메라·객체·방향 중심의 참조 프레임에 증거를 동적으로 재앵커링하지 못하는 문제를 해결하기 위해, OmniView-Space는 다중 시점 공간 매핑(MPSM)으로 쿼리 정렬 시각적 BEV 인지 맵과 텍스트 공간 그래프를 생성하고, 강화학습 기반 도구 사용 정책과 인지 맵 증류를 결합한 에고센트릭 공간 추론 프레임워크를 제안한다. 단일 및 다중 이미지 공간 추론 벤치마크에서 최고 성능을 달성했으며, 지식 증류된 모델은 외부 기하 파이프라인 의존도를 낮추면서도 동등한 성능을 유지한다.

arXiv:2607.00816v1cs.CV

계층적 개체 탐험을 통한 고해상도 시각 인식을 향하여

Towards High-Resolution Visual Perception via Hierarchical Entity Exploration

고해상도 이미지 인식에서 기하학적 영역 분할이 객체 경계를 무시해 발생하는 개체 단편화 및 배경 간섭 문제를 해결하기 위해, 학습이 불필요한 모델 독립적 프레임워크 Hierarchical Entity Exploration(HEE)을 제안한다. HEE는 동결된 객체 검출기로 개체 단위 의미 분해를 수행하고, 이중 점수화 메커니즘과 신뢰도 기반 역추적을 결합한 계층적 탐색으로 Visual Probe, HR-Bench, MME-RealWorld 벤치마크에서 ZoomEye, RAP 등 기존 학습 불필요 방법 대비 정확도와 효율성 모두 향상되었다.