첨단영상대학원, CVPR 2026 논문 6편 발표… 실감형 3D·영상 AI·신뢰가능 AI 전방위 성과
중앙대학교 첨단영상대학원 연구진이 컴퓨터비전 분야 세계 최고 권위 학술대회인 CVPR (Conference on Computer Vision and Pattern Recognition) 2026에서 총 6편의 논문을 발표하는 성과를 거두었다. 이번 성과는 영상 의미분할, 4D 장면 모델링, 초해상도 복원, 3D Gaussian Splatting, Implicit Neural Representation, 지속학습(Continual Learning)에 이르기까지 폭넓은 연구 분야를 아우르며, 첨단영상대학원의 국제적 연구 경쟁력을 다시 한 번 입증했다.
CVPR은 매년 전 세계에서 제출되는 수많은 논문 가운데 엄격한 심사를 통해 최상위 연구만을 선별하는 컴퓨터비전 분야 최고 학술대회다. 이곳에서의 논문 게재는 해당 연구가 기술적 완성도와 학문적 영향력을 동시에 인정받았음을 의미한다. 이번 CVPR 2026 성과는 예술과 공학의 융합을 바탕으로, 실제 영상 콘텐츠 제작·복원·이해 전반에 걸친 핵심 문제를 해결하는 방향으로 확장되고 있다는 점에서 의미가 크다.
권혁준 교수가 1저자로 참여한 'Bootstrapping Video Semantic Segmentation Model via Distillation-assisted Test-Time Adaptation'은 비디오 의미분할(Video Semantic Segmentation, VSS)을 위한 새로운 적응 프레임워크 DiTTA를 제안했다. 기존 완전지도 기반 VSS는 대규모 비디오 주석 데이터에 의존하는 한계가 있었으나, 본 연구는 주석 없이 사전학습된 이미지 분할 모델을 효율적인 Test-Time Adaptation 방식으로 시간적 인식 능력을 갖춘 모델로 전환했다.
특히 SAM2의 시간적 분할 지식을 증류해 단일 패스 초기화만으로도 강건한 성능을 달성했으며, 제한된 비디오 일부만으로도 효과적으로 적응하는 실용적 해법을 제시했다.
오지형 교수가 교신저자로 참여한 네 편의 연구는 3D/4D 장면 표현과 고해상도 영상 복원 분야에서 첨단영상대학원의 기술적 깊이를 보여준다.
'MoRel: Long-Range Flicker-Free 4D Motion Modeling via Anchor Relay-based Bidirectional Blending with Hierarchical Densification'은 장시간 동적 장면을 메모리 폭증 없이 일관성 있게 모델링하는 4D Gaussian Splatting 프레임워크를 제안했다. Anchor Relay 기반 양방향 블렌딩(ARBB)과 계층적 밀도 조절(FHD)을 통해 시간적 깜빡임(flicker) 문제를 효과적으로 제거했으며, 새롭게 구축한 SelfCapLR 데이터셋을 통해 장거리 동적 장면에서도 확장성과 효율성을 입증했다.
'FRAMER: Frequency-Aligned Self-Distillation with Adaptive Modulation Leveraging Diffusion Priors for Real-World Image Super-Resolution'은 확산모델(diffusion model)의 주파수 편향 문제를 해결하는 플러그인 학습 프레임워크를 제안했다. FFT 기반 주파수 분해와 적응적 모듈레이션을 통해 저주파·고주파 정보를 정렬하고, 실제 열화 환경에서도 PSNR/SSIM 및 지각 품질 지표 전반에서 성능 향상을 달성했다.
'EcoSplat: Efficiency-controllable Feed-forward 3D Gaussian Splatting from Multi-view Images'는 추론 시 목표 Gaussian 개수를 직접 제어할 수 있는 최초의 효율 제어형(feed-forward) 3DGS 프레임워크를 제안했다. 밀집 시점 환경에서도 불필요한 primitive 폭증을 억제하며, 다운스트림 렌더링 환경에 맞춰 유연하게 표현 복잡도를 조절할 수 있다는 점에서 실용성이 높다.
CVPR Findings로 채택된 'FLAIR: Frequency- and Locality-Aware Implicit Neural Representations'는 주파수 선택성과 공간적 국소성을 동시에 고려한 새로운 Implicit Neural Representation 구조를 제안했다. 'Band-Localized Activation(BLA)'과 'Wavelet-Energy-Guided Encoding(WEGE)'을 통해 기존 INR의 spectral bias를 완화하고, 2D 이미지 표현과 3D 형상 복원에서 안정적 성능 향상을 보였다. 해당 연구에는 엄찬호 교수 또한 참여했다.
김영빈 교수가 교신저자로 참여한 'HyCal: A Training-Free Prototype Calibration Method for Cross-Discipline Few-Shot Class-Incremental Learning'은 이질적 도메인과 불균형 데이터 환경에서 발생하는 ‘Domain Gravity’ 현상을 규명하고, 이를 완화하는 학습 없는(training-free) 프로토타입 보정 기법을 제안했다. CLIP 기반 임베딩을 고정한 상태에서 cosine 유사도와 Mahalanobis 거리를 결합해 방향성과 공분산 정보를 동시에 반영함으로써, 실제 교차 도메인 환경에서의 지속학습 안정성을 크게 향상시켰다.
이창재 첨단영상대학원 원장은 이번 CVPR 2026 성과에 대해 “CVPR은 컴퓨터비전 분야에서 가장 높은 학문적 권위를 갖는 학술대회로, 6편의 논문이 동시에 발표되는 것은 첨단영상대학원의 연구 경쟁력이 세계적 수준에 도달했음을 보여주는 결과”라며, “3D·4D 장면 모델링, 영상 복원, 의미분할, 지속학습 등 콘텐츠 산업과 직결되는 핵심 기술 전반에서 고르게 성과를 냈다는 점이 특히 의미 있다”고 밝혔다. 이어 “앞으로도 예술과 공학의 융합이라는 대학원의 정체성을 기반으로 글로벌 AI·콘텐츠 산업을 선도할 연구와 인재 양성에 지속적으로 힘쓰겠다”고 덧붙였다.
첨단영상대학원은 이번 CVPR 2026 성과를 계기로 실감형 3D 콘텐츠, 동적 장면 표현, 영상 복원 및 초해상도, 도메인 일반화와 지속학습 등 핵심 분야에서의 연구 역량을 더욱 강화해 나갈 계획이다.
CVPR은 매년 전 세계에서 제출되는 수많은 논문 가운데 엄격한 심사를 통해 최상위 연구만을 선별하는 컴퓨터비전 분야 최고 학술대회다. 이곳에서의 논문 게재는 해당 연구가 기술적 완성도와 학문적 영향력을 동시에 인정받았음을 의미한다. 이번 CVPR 2026 성과는 예술과 공학의 융합을 바탕으로, 실제 영상 콘텐츠 제작·복원·이해 전반에 걸친 핵심 문제를 해결하는 방향으로 확장되고 있다는 점에서 의미가 크다.
권혁준 교수가 1저자로 참여한 'Bootstrapping Video Semantic Segmentation Model via Distillation-assisted Test-Time Adaptation'은 비디오 의미분할(Video Semantic Segmentation, VSS)을 위한 새로운 적응 프레임워크 DiTTA를 제안했다. 기존 완전지도 기반 VSS는 대규모 비디오 주석 데이터에 의존하는 한계가 있었으나, 본 연구는 주석 없이 사전학습된 이미지 분할 모델을 효율적인 Test-Time Adaptation 방식으로 시간적 인식 능력을 갖춘 모델로 전환했다.
특히 SAM2의 시간적 분할 지식을 증류해 단일 패스 초기화만으로도 강건한 성능을 달성했으며, 제한된 비디오 일부만으로도 효과적으로 적응하는 실용적 해법을 제시했다.
오지형 교수가 교신저자로 참여한 네 편의 연구는 3D/4D 장면 표현과 고해상도 영상 복원 분야에서 첨단영상대학원의 기술적 깊이를 보여준다.
'MoRel: Long-Range Flicker-Free 4D Motion Modeling via Anchor Relay-based Bidirectional Blending with Hierarchical Densification'은 장시간 동적 장면을 메모리 폭증 없이 일관성 있게 모델링하는 4D Gaussian Splatting 프레임워크를 제안했다. Anchor Relay 기반 양방향 블렌딩(ARBB)과 계층적 밀도 조절(FHD)을 통해 시간적 깜빡임(flicker) 문제를 효과적으로 제거했으며, 새롭게 구축한 SelfCapLR 데이터셋을 통해 장거리 동적 장면에서도 확장성과 효율성을 입증했다.
'FRAMER: Frequency-Aligned Self-Distillation with Adaptive Modulation Leveraging Diffusion Priors for Real-World Image Super-Resolution'은 확산모델(diffusion model)의 주파수 편향 문제를 해결하는 플러그인 학습 프레임워크를 제안했다. FFT 기반 주파수 분해와 적응적 모듈레이션을 통해 저주파·고주파 정보를 정렬하고, 실제 열화 환경에서도 PSNR/SSIM 및 지각 품질 지표 전반에서 성능 향상을 달성했다.
'EcoSplat: Efficiency-controllable Feed-forward 3D Gaussian Splatting from Multi-view Images'는 추론 시 목표 Gaussian 개수를 직접 제어할 수 있는 최초의 효율 제어형(feed-forward) 3DGS 프레임워크를 제안했다. 밀집 시점 환경에서도 불필요한 primitive 폭증을 억제하며, 다운스트림 렌더링 환경에 맞춰 유연하게 표현 복잡도를 조절할 수 있다는 점에서 실용성이 높다.
CVPR Findings로 채택된 'FLAIR: Frequency- and Locality-Aware Implicit Neural Representations'는 주파수 선택성과 공간적 국소성을 동시에 고려한 새로운 Implicit Neural Representation 구조를 제안했다. 'Band-Localized Activation(BLA)'과 'Wavelet-Energy-Guided Encoding(WEGE)'을 통해 기존 INR의 spectral bias를 완화하고, 2D 이미지 표현과 3D 형상 복원에서 안정적 성능 향상을 보였다. 해당 연구에는 엄찬호 교수 또한 참여했다.
김영빈 교수가 교신저자로 참여한 'HyCal: A Training-Free Prototype Calibration Method for Cross-Discipline Few-Shot Class-Incremental Learning'은 이질적 도메인과 불균형 데이터 환경에서 발생하는 ‘Domain Gravity’ 현상을 규명하고, 이를 완화하는 학습 없는(training-free) 프로토타입 보정 기법을 제안했다. CLIP 기반 임베딩을 고정한 상태에서 cosine 유사도와 Mahalanobis 거리를 결합해 방향성과 공분산 정보를 동시에 반영함으로써, 실제 교차 도메인 환경에서의 지속학습 안정성을 크게 향상시켰다.
이창재 첨단영상대학원 원장은 이번 CVPR 2026 성과에 대해 “CVPR은 컴퓨터비전 분야에서 가장 높은 학문적 권위를 갖는 학술대회로, 6편의 논문이 동시에 발표되는 것은 첨단영상대학원의 연구 경쟁력이 세계적 수준에 도달했음을 보여주는 결과”라며, “3D·4D 장면 모델링, 영상 복원, 의미분할, 지속학습 등 콘텐츠 산업과 직결되는 핵심 기술 전반에서 고르게 성과를 냈다는 점이 특히 의미 있다”고 밝혔다. 이어 “앞으로도 예술과 공학의 융합이라는 대학원의 정체성을 기반으로 글로벌 AI·콘텐츠 산업을 선도할 연구와 인재 양성에 지속적으로 힘쓰겠다”고 덧붙였다.
첨단영상대학원은 이번 CVPR 2026 성과를 계기로 실감형 3D 콘텐츠, 동적 장면 표현, 영상 복원 및 초해상도, 도메인 일반화와 지속학습 등 핵심 분야에서의 연구 역량을 더욱 강화해 나갈 계획이다.