인공지능전공 이진욱 학부연구생(지도교수 강재모), 컴퓨터비전 우수 국제학술대회 ‘ACCV 2026’ 논문 채택

이미지 생성 AI의 추가 학습 없이 사용자 의도 반영 성능 높이는 ‘PDG-Harness’ 제안

경북대학교 인공지능전공을 부전공하는 이진욱 학부연구생(지도교수 강재모)의 논문이 컴퓨터비전 분야 우수 국제학술대회 ‘ACCV 2026’에 채택됐다.

채택된 논문은 ‘Bridging the Prompt Distribution Gap: An Evolving Runtime Harness for Text-to-Image Generators’로, 사용자의 일상적인 요청과 이미지 생성 인공지능(AI)이 효과적으로 이해하는 입력 형식 사이의 차이를 줄이는 기술을 다룬다. 이진욱 학생은 이미지 생성 모델을 추가로 학습시키지 않고도 사용자 의도를 더욱 충실하게 반영하도록 돕는 ‘PDG-Harness’를 제안했다.

이미지 생성 AI는 상세하고 정돈된 설명을 입력받을 때 우수한 성능을 보이지만, 실제 사용자의 요청에는 짧은 문장이나 구어체, 오타, 생략된 정보 등이 포함될 수 있다. 이번 연구는 이러한 입력 방식의 차이에서 비롯되는 성능 저하를 ‘프롬프트 분포 격차(Prompt Distribution Gap)’로 정의하고, 사용자와 이미지 생성 모델 사이의 입력 처리 체계를 개선하는 방식으로 해결에 접근했다.

PDG-Harness는 요청의 문제 진단, 필요한 정보 보완, 입력의 구조화, 생성 결과 검증의 네 단계로 구성된다. 사용자 요청에서 부족한 정보와 표현상의 문제를 구분해 처리하고, 생성된 이미지가 원래 의도에 부합하는지 확인한 뒤 필요한 경우 제한된 횟수 안에서 다시 생성한다. 특히 개발 과정에서 코딩 에이전트가 반복되는 실패 사례를 분석해 입력 변환 규칙과 검증 절차를 개선하도록 설계했다. 이 과정에서도 이미지 생성 모델의 가중치는 변경하지 않는다.

연구팀은 SDXL-base, FLUX.1-dev, Qwen-Image, Z-Image, Nano Banana 등 5종의 이미지 생성 모델을 대상으로 실험을 진행했다. 그 결과, 두 평가 벤치마크에서 모든 모델의 성능이 향상됐다. 일상적인 요청을 모사한 입력과 정제된 입력을 비교하는 실험에서는 두 입력 사이에서 발생한 성능 격차의 약 62~73%를 회복했다. 이는 모델 재학습 없이도 입력을 해석·변환하고 결과를 검증하는 방식의 개선이 성능 향상으로 이어질 수 있음을 보여준다.

이번 연구는 생성형 AI의 성능을 높이는 데 모델 자체의 발전뿐 아니라 사용자 의도를 전달하는 실행 체계의 설계도 중요하다는 점을 제시했다. 향후 실제 사용자 요청에 대한 추가 검증을 거쳐, 디자인과 콘텐츠 제작 등에서 복잡한 프롬프트 작성 부담을 줄이고 이미지 생성 도구의 활용성을 높이는 데 기여할 것으로 기대된다.

이번 논문 채택은 인공지능전공 학부생이 생성형 AI의 활용 과정에서 발생하는 문제를 연구 주제로 구체화하고, 새로운 방법의 설계와 실험 검증을 통해 국제학술대회 발표 성과로 연결했다는 점에서 의미가 있다.