컴퓨터 과학발표 2025.07· 24최근 1년 24회

VAE, GAN, 확산 모델 기반 과학 이미지 생성

생성형 AI는 과학 이미징 분야에 새로운 가능성을 제시하며 다양하고 복잡한 이미지 데이터를 합성하는 강력한 도구로 부상했습니다. 본 연구는 과학 이미지 합성을 목적으로 Variational Autoencoder (VAE), Generative Adversarial Network (GAN), Diffusion Model 등 주요 생성 모델 아키텍처를 포괄적으로 비교 분석합니다. 각 모델의 기본 원리, 최신 아키텍처 발전, 실제 적용 시 장단점을 검토했습니다. 암석 및 복합 섬유의 microCT 스캔, 식물 뿌리 고해상도 이미지 등 도메인별 데이터셋을 활용하여 SSIM, LPIPS, FID, CLIPScore와 같은 정량적 지표와 전문가 주도 정성적 평가를 통합적으로 수행했습니다. 연구 결과, GAN, 특히 StyleGAN은 높은 지각 품질과 구조적 일관성을 지닌 이미지를 생성하는 것으로 나타났습니다. DALL-E 2와 같은 확산 기반 모델은 사실성과 의미론적 정렬에서 우수했지만, 시각적 충실도와 과학적 정확성 간의 균형을 맞추는 데 어려움을 보였습니다. 특히, 표준 정량적 지표가 과학적 관련성을 포착하는 데 한계가 있음을 발견했으며, 이는 도메인 전문가 검증의 필요성을 강조합니다. 본 연구는 모델 해석 가능성, 계산 비용, 검증 프로토콜과 같은 주요 과제를 논의하고, 생성형 AI가 과학 연구에서 데이터 증강, 시뮬레이션, 가설 생성에 혁신을 가져올 수 있는 미래 방향을 제시합니다.

분석 보기 원문

컴퓨터 과학발표 2025.01· 49최근 1년 49회

확산 모델 기반 이미지 생성 연구 동향

딥러닝 기술의 급속한 발전과 함께 확산 모델은 이미지, 오디오, 비디오 합성, 분자 설계, 텍스트 생성 등 다양한 분야에서 유망한 생성 모델로 부상했습니다. 독특한 생성 메커니즘과 뛰어난 품질 덕분에 여러 분야에서 가치 있는 도구로 활용되고 있습니다. 그러나 이미지 생성 분야에서 확산 모델의 광범위한 배포는 데이터 프라이버시, 보안, 예술 윤리와 같은 사회적 문제들을 야기하고 있습니다. 기존 연구들은 최신 확산 모델 기반 이미지 합성 기술과 잠재적 사회적 함의를 충분히 다루지 못하는 한계가 있습니다. 본 논문은 확산 모델의 배경 원리 및 이론적 토대를 체계적으로 조사합니다. 또한 스타일 변환, 이미지 완성, 편집, 초해상도 등 다양한 이미지 생성 하위 분야에서 확산 모델의 최신 응용 사례를 상세히 분석합니다. 나아가 데이터 유출 가능성 및 보호 조치, 모델 악용 위험 및 방어 전략, 생성 이미지의 진위 및 독창성 문제 등 확산 모델 사용으로 인해 발생할 수 있는 사회적 영향에 대해 포괄적으로 고찰합니다.

분석 보기 원문