PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.22702v1cs.AI

Hapi: 대륙 규모 중기 수문 예측을 위한 다변량 지표면 트랜스포머

Hapi: A Multivariable Land-Surface Transformer for Medium-Range Hydrological Forecasting at Continental Scale

수 일 전의 정확한 홍수 예보는 홍수 방재, 수자원 관리, 비상 대응에 필수적이다. 대륙 규모에서 고해상도로 이를 만들려면 유역에서 동규모 기상 시스템에 이르는 공간적 맥락과 함께 국지적 수문학적 세부 정보가 필요하다. 우리는 미국 본토 전역에서 유량, 지표 유출, 적설수량(snow water equivalent), 토양 습도를 예측하기 위해 세밀한 3차원 패치와 계층적 shifted-window 어텐션(attention)을 사용하는 U-Net Swin 트랜스포머 Hapi를 개발했다. 이 모델은 $0.05^{\circ}$ 해상도에서 24--72시간 예보를 생성하며, 학습된 Laplacian 태스크 가중치가 학습(training)에서 각 변수의 기여도를 조절한다. ERA5-Land에서 재구성된 기상 및 지표면 입력을 사용한 2024년 테스트 데이터에서 Hapi는 홍수 탐지에서 운영 중인 물리 기반 모델과 최신(state-of-the-art) AI 모델을 능가했다. 미국 지질조사국(U.S. Geological Survey) 3,881개 관측 게이지에 대한 독립 검증(validation)과 허리케인 헬렌(Hurricane Helene) 사례 연구는 일별 유량 재현에서 물리 기반 모델 대비 Hapi의 우위를 뒷받침했다. 통제 실험은 학습된 태스크 가중치가 강수 입력 변화에 특히 민감한 희귀 홍수 탐지를 강화함을 보였다. Hapi는 단일 A100 GPU에서 평균 추론(inference) 시간 0.11초로 미국 본토 전역에 걸친 4변수 72시간 예보를 생성했다.

arXiv:2607.20577v2cs.LG

리튬 이온 배터리 전극 스케일 방전 거동 예측을 위한 AI 기반 대리 모델

AI-Driven Surrogate Models for Predicting Electrode-Scale Discharge Behavior in Lithium-Ion Batteries

물리 기반 시뮬레이션은 리튬 이온 배터리(LIB)의 전극 스케일 방전 거동을 이해하는 데 필수적이지만, 계산 비용이 지나치게 높다는 한계가 있다. 이를 해결하기 위해, 우리는 체적 데이터로부터 시공간 방전 역학을 직접 예측하기 위해 Swin3D 트랜스포머에 기반한 새로운 심층 학습 대리 파이프라인을 제안한다. 우리 접근법은 두 가지 핵심 혁신을 통합한다: 전극 미세구조의 복잡한 기하학에 적응하여 공간 특징 표현을 향상시키는 가우시안 위치 인코딩(GPE), 그리고 비선형 시계열 진화를 포착하기 위한 특화된 시간 인코딩 모듈. 전기화학 시뮬레이션(ES) 데이터셋에 대한 실험적 검증 결과, 제안 파이프라인은 예측 정확도에서 최신(state-of-the-art) 포인트 클라우드 기준선을 크게 능가함을 보여준다. 또한 제안된 방법은 계산 오버헤드를 수 orders of magnitude만큼 줄여, 고처리량 배터리 설계 및 최적화를 위한 확장 가능하고 효율적인 프레임워크를 제공한다.

arXiv:2607.14534v1cs.CV

SwinAD: 비지도 산업 이상 탐지를 위한 다단계 특징 재구성

SwinAD: Multi-stage feature reconstruction for unsupervised industrial anomaly detection

산업 이상 탐지는 가능한 모든 결함 유형에 대한 포괄적인 주석에 의존하지 않고 결함 영역을 식별하고 위치를 특정하는 것을 목표로 한다. 최근 비지도 방법들이 우수한 성능을 달성했지만, 대부분은 주로 단일 클래스 설정을 위해 설계되었으며, 다양한 정상 패턴이 과도한 일반화를 초래하고 정상 영역과 이상 영역 간의 변별력을 감소시킬 수 있는 다중 클래스 시나리오에서는 종종 어려움을 겪는다. 본 논문에서는 동결된 사전학습 Swin Transformer V2 인코더와 특징 다양성 보존 재구성 디코더를 활용하는 다중 클래스 비지도 이상 탐지를 위한 재구성 기반 프레임워크인 SwinAD를 제안한다. 계층적 인코더는 의미적으로 풍부한 다중 스케일 특징을 제공하며, 드롭아웃이 포함된 단계별 병목 모듈은 사소한 항등 매핑을 방지하고 정상 패턴의 견고한 재구성을 장려한다. 위치 특정을 더욱 개선하기 위해, 단일 디코딩 분기에 의존하는 대신 상보적인 재구성 가설을 유지하는 특징 다양성 보존 재구성 프레임워크를 도입한다. 그런 다음 인코더 특징과 두 개의 재구성된 특징 간의 불일치를 여러 스케일에 걸쳐 집계하여 최종 이상 맵을 생성한다. MVTec AD, VisA, Real-IAD를 포함한 세 가지 산업 이상 탐지 벤치마크에서 수행된 실험은 SwinAD가 경쟁력 있는 이미지 수준 성능과 강한 픽셀 수준 위치 특정 정확도를 달성하며, 특히 MVTec AD에서 픽셀 수준 AP와 F1에서 눈에 띄게 향상되었음을 보여준다. 이러한 결과는 계층적 Swin 특징과 다양한 다중 스케일 재구성을 결합하는 것이 다중 클래스 비지도 이상 설정에서 픽셀 수준 위치 특정을 상당히 향상시킴을 나타낸다.

arXiv:2607.10214v1cs.CV

ScratNet: 반도체 스크래치 분할을 위한 정밀도 정제 기능을 갖춘 Swin 기반 다중 스케일 확장 네트워크

ScratNet: A Swin-Based Multi-Scale Dilated Network with Precision Refinement for Semiconductor Scratch Segmentation

반도체 제조 공정에서 표면 스크래치 결함은 불규칙한 형태, 낮은 대비, 다양한 스케일로 인해 심각한 도전 과제를 야기한다. 전통적인 검사 방법은 특히 복잡한 이미징 환경에서 이러한 결함을 신뢰성 있게 탐지하는 데 어려움을 겪는 경우가 많다. 합성곱 신경망(CNN) 기반의 심층 학습 접근법이 정확도를 향상시켰으나, 세밀한 엣지 세부 사항을 포착하는 데 실패하는 경우가 종종 있다. 이러한 한계를 해결하기 위해, 우리는 수정된 Swin 트랜스포머 백본과 맞춤형 디코더를 통합한 새로운 엔드투엔드 스크래치 분할 프레임워크인 ScratNet을 제안한다. 디코더는 지역 및 전역 문맥을 모두 포착하는 다중 스케일 확장 집계(MDA) 모듈, 공간적 세부 정보를 복원하는 스템 통합 모듈(SIM), 그리고 비등방성 합성곱을 사용하여 경계 선명도를 향상시키는 정밀도 정제(PR) 브랜치를 포함한다. 이러한 단계 적응형 특징 집계 및 경계 인식 정제를 통해 ScratNet은 얇고 불규칙한 결함에 대해 우수한 정확도를 달성한다. 광범위한 실험을 통해 ScratNet이 기존 방법들을 지속적으로 능가하며, 고정밀 제조에서 자동화된 스크래치 검사를 위한 확장 가능하고 견고한 솔루션을 제공함을 입증한다.

arXiv:2601.01406v2cs.CV

SwinIFS: 랜드마크 가이드 Swin 트랜스포머를 활용한 신원 보존 얼굴 초해상도

SwinIFS: Landmark Guided Swin Transformer For Identity Preserving Face Super Resolution

SwinIFS는 Swin Transformer 백본에 얼굴 랜드마크의 가우시안 히트맵을 결합한 8채널 입력을 활용해, 4× 및 8× 배율 모두에서 신원을 보존하는 얼굴 초해상도를 달성하는 프레임워크다. CelebA 벤치마크에서 기존 CNN·GAN·트랜스포머 기반 방법 대비 지각적 품질, 구조적 정확도, 신원 보존 측면에서 우수한 성능을 보였으며, 특히 대부분의 방법이 실패하는 8× 극단적 배율에서도 사실적인 재구성을 달성했다.

arXiv:2202.13142v3cs.CV공식 코드 · Papers with Code

특징 매칭과 암묵적 고해상도 사전을 활용한 실세계 블라인드 초고해상도

Real-World Blind Super-Resolution via Feature Matching with Implicit High-Resolution Priors

VQGAN으로 사전학습된 이산 특징 코드북(HR prior)을 활용해, 저해상도 이미지의 특징을 왜곡 없는 고해상도 대응 특징에 매칭하는 FeMaSR 프레임워크를 제안한다. 불안정한 GAN 학습이나 명시적 참조 이미지 없이도, 의미론적 정규화와 잔차 단축 연결을 통해 기존 방법 대비 더 사실적인 초고해상도 이미지를 생성함을 실험으로 검증했다.