| 강재모 교수팀, 3D 비전·언어 융합 이상 탐지 기술, 탑티어 AI 학회 NeurIPS 2026 채택 | |||||
| 작성자 | 관리자 | 작성일 | 2026-09-29 | 조회수 | 91 |
|---|---|---|---|---|---|
| 첨부파일 | |||||
 경북대학교 인공지능학과 강재모 교수팀이 개발한 3차원(3D) 인공지능 기반 이상 탐지 기술이 세계 최고 수준의 인공지능 학술대회인 NeurIPS 2026(Conference on Neural Information Processing Systems)에 채택됐다. 채택 논문은 “FACETS: Cross-Granularity Vision–Language Modeling for 3D Anomaly Detection”으로, 제조·품질검사 현장에서 제품의 미세한 표면 결함이나 구조적 이상을 보다 정확하게 탐지하기 위해 3D 형상 정보와 자연어 의미 정보를 결합한 새로운 AI 기술을 제안했다. 3D 이상 탐지는 정밀 제조, 자동화 검사, 품질관리 등에서 제품이나 부품의 비정상 영역을 자동으로 찾아내는 핵심 기술이다. 기존 2D 영상 기반 검사는 촬영 각도, 조명, 가려짐 등의 영향으로 미세한 구조적 결함을 놓칠 수 있는 반면, 3D 포인트클라우드는 객체의 실제 기하 구조를 직접 표현할 수 있어 정밀 검사에 유리하다. 그러나 기존 3D 이상 탐지 기술은 정상 데이터를 복원한 뒤 복원 오차를 이용하거나, 정상 데이터의 특징을 저장해 비교하는 방식이 주를 이뤘다. 이러한 방법은 대부분 시각 정보만 활용하기 때문에 객체가 가진 의미적 정보를 충분히 활용하기 어렵고, 제품 종류마다 별도의 모델을 학습해야 하는 경우가 많다는 한계가 있었다. 연구진은 이를 해결하기 위해 FACETS(Fine-grained Anomaly detection via Cross-granularity Enriched Textual Semantics)를 개발했다. FACETS는 3D 포인트클라우드와 자연어를 동일한 표현 공간에서 이해하는 3D Vision–Language Model을 이상 탐지에 직접 활용하는 새로운 접근법이다. 특히 FACETS는 객체 전체를 표현하는 거시적 정보와 미세한 부품·표면 정보를 동시에 분석한다. 이를 위해 3D 데이터를 패치(patch) 단위와 개별 포인트(point) 단위로 나누어 처리하고, 각각의 기하학적 중요도와 자연어 의미 정보를 결합한다. 연구진은 이를 위해 ▲객체 전체와 국소 영역 간 관계를 학습하는 Holistic–Local Attention, ▲3D 패치와 텍스트 의미를 연결하는 Patch Linguistic Grounding, ▲기존 3D 모델의 압축 과정에서 손실될 수 있는 미세 포인트 정보를 보존하는 Point Geometric Retention, ▲포인트 수준의 기하 정보와 텍스트 의미를 다시 결합하는 Consolidated-Point Linguistic Grounding 등 네 가지 핵심 기술을 제안했다. 기존 3D Vision–Language Model은 여러 포인트의 정보를 하나의 패치 표현으로 압축하는 과정에서 미세한 기하학적 특징이 사라질 수 있다. FACETS는 이러한 압축 이전의 포인트 수준 특징을 직접 활용함으로써 작은 흠집이나 미세 변형과 같이 정밀한 공간 정보가 필요한 결함까지 탐지할 수 있도록 설계됐다. 또한 텍스트의 의미 정보와 3D 공간 정보를 함께 활용함으로써 제품 종류마다 서로 다른 모델을 사용하는 기존 방식에서 벗어나, 하나의 통합 모델로 여러 종류의 제품을 동시에 검사할 수 있는 multi-category 3D anomaly detection을 구현했다. 이는 다양한 부품이 동시에 생산되는 실제 스마트팩토리 환경에서 모델 운영과 유지관리 비용을 줄일 수 있다는 점에서 의미가 크다. 연구진은 FACETS의 성능을 대표적인 3D 이상 탐지 벤치마크인 Real3D-AD와 Anomaly-ShapeNet에서 검증했다. 실험 결과 Real3D-AD에서 객체 단위 이상 탐지 성능인 O-AUROC 93.1%, 결함 위치를 찾아내는 포인트 단위 P-AUROC 94.7%를 기록했다. Anomaly-ShapeNet에서도 각각 95.0%와 95.6%를 달성하며 모든 주요 평가 조건에서 기존 최고 수준 방법을 넘어서는 성능을 보였다. 특히 Real3D-AD의 객체 단위 평가에서는 기존 최고 성능 대비 10.8%포인트, 포인트 단위 평가에서는 6.5%포인트 향상됐으며, Anomaly-ShapeNet에서도 각각 4.3%포인트와 5.7%포인트 높은 성능을 기록했다. 이번 연구는 높은 실험 성능뿐 아니라, 제안한 학습 방법이 미세한 이상 영역 탐지 성능을 향상시키는 원리를 수학적으로 분석했다는 점에서도 차별성을 갖는다. 연구진은 정상 포인트들의 특징 분산을 줄이면 이상 포인트가 정상 포인트보다 높은 이상 점수를 가질 확률이 증가한다는 관계를 이론적으로 규명하고, 이를 실제 실험 결과를 통해 확인했다. 연구진은 “기존 3D 이상 탐지는 주로 기하학적 시각 정보만을 사용했지만, FACETS는 3D 형상과 자연어 의미 정보를 함께 활용함으로써 AI가 객체의 형태뿐 아니라 의미까지 종합적으로 이해하도록 설계했다”며 “특히 하나의 통합 모델로 여러 제품을 검사하면서도 미세한 결함 위치까지 정밀하게 탐지할 수 있어 스마트 제조와 자동 품질검사 분야에서 활용 가능성이 높을 것으로 기대한다”고 밝혔다. 이번 기술은 반도체·전자부품, 자동차 부품, 정밀기계, 항공·우주 부품 등 높은 수준의 품질관리가 요구되는 산업 분야의 자동 검사 시스템에 활용될 수 있으며, 향후 로봇 비전, 디지털 트윈, 스마트팩토리 등 3D 공간 이해가 요구되는 다양한 산업 AI 분야로 확장될 수 있을 것으로 기대된다. 강재모 교수팀은 이번 NeurIPS 2026 논문 채택을 계기로 3D 비전, 멀티모달 인공지능, 산업 AI 및 신뢰가능한 이상 탐지 기술에 대한 연구를 지속적으로 확대하고, 제조 현장에서 실제 활용할 수 있는 차세대 AI 원천기술 개발을 이어갈 계획이다. |
|||||
