logo

팀네이버, 비전 분야 최정상 학회에서 공간지능·AI 글로벌 기술력 입증

​

- CVPR 2025에 팀네이버 논문 14편 게재 승인…세계 3대 컴퓨터비전 학회에 5년간 151편 등재

- 3D 공간 인식 및 재구성, 이미지 학습 모델, 로봇 등 다양한 분야 연구 성과

- 자연어처리, 비전, 음성, 머신러닝 등 분야별 최고 권위 AI 학회에 논문 450편 이상 발표, 피인용 수 47,000회 이상…적극적 R&D 투자 결실

2025-03-25

네이버랩스, 네이버랩스 유럽, 네이버클라우드 등 ‘팀네이버’의 다양한 기술 조직이 발표한 연구 논문 14편이 컴퓨터비전 분야 세계적 학회 중 하나인 ‘CVPR(Computer Vision and Pattern Recognition Conference, 컴퓨터비전 및 패턴 인식 컨퍼런스 학술대회) 2025’에 게재 승인되며, 공간지능·비전 AI 기술 경쟁력을 입증했다. 1983년 시작된 CVPR은 세계 최대 기술 전문 단체인 전기전자공학자협회(IEEE)와 컴퓨터비전협회(CVF)가 공동 주최하는 학술대회로, 비전 AI 분야의 대표적인 학회이자 컴퓨터 공학에서 가장 영향력 있는 학회*로 알려져 있다.

* 구글 스칼라 학회 및 저널 순위에서 ‘네이처’에 이어 과학 분야 전체 2위, 컴퓨터 공학(Engineering & Computer Science) 분야 전체 1위

이로써 네이버는 컴퓨터비전 분야 세계 3대 학회로 꼽히는 CVPR, ECCV(European Conference on Computer Vision, 유럽 컴퓨터비전 학회), ICCV(International Conference on Computer Vision, 국제 컴퓨터비전 학회)에 최근 5년여 동안(2020년~2025년 3월) 151건의 정규 논문을 등재하고, 이 기간 동안 이들 학회에 매년 총 두 자릿수의 논문을 게재하며 세계적 수준의 AI 기술 기업으로 자리잡았다.

3D 공간 인식 및 재구성, 이미지 학습 모델, 로봇 등 다양한 분야 연구 성과

CVPR 2025에서 팀네이버는 먼저 네이버랩스 유럽이 지난해 공개해 글로벌 빅테크 기업들의 큰 관심을 받았던 3D 재구성 AI 도구 ‘DUSt3R(더스터)’의 후속 연구 결과들을 발표할 예정이다. 한두 장의 사진만으로 3차원 복원을 쉽게 할 수 있는 AI인 더스터를 기반으로, 여러 장의 이미지에서 보다 정확한 3차원 공간을 재구성할 수 있는 AI 모델 ‘MUSt3R(머스터)’와, 다양한 카메라 및 장면 정보를 통합해 추론 능력을 높인 AI 모델 ‘Pow3R(파워)’ 등이 새로 등재됐다. 또한 사전에 학습되지 않은 물체의 위치와 방향을 신속하고 정확하게 찾아내는 기술을 제안한 네이버랩스의 논문(제목: Co-op: Correspondence-based Novel Object Pose Estimation) 등 다수의 공간지능 논문이 학회에 채택됐다.

또한 최근 멀티모달(Multimodal) AI 기술의 부상으로 주목받고 있는 이미지 학습 모델 관련 연구들이 채택되는 성과도 있었다. 네이버클라우드는 ‘마스킹(masking)’ 기법을 활용해 AI가 이미지 학습을 할 때 발현되는 훈련 불안정성 문제를 해결한 효율적인 학습 방법론을 제안했으며(제목: Masking meets Supervision: A Strong Learning Alliance), 네이버랩스 유럽은 시각언어모델(Vision-and-Language Model)을 활용해 추가 학습 없이 이미지 속 새로운 사물을 정교하게 구분하는 기술을 선보였다(제목: LPOSS: Label Propagation Over Patches and Pixels for Open-vocabulary Semantic Segmentation).

로봇 연구에서의 성과도 돋보였다. 시각 정보 입력부터 행동 출력까지 전체 과정을 학습하는 ‘엔드 투 엔드(End-to-End)’ 방식으로 빠르게 이동하는 로봇이 효율적으로 경로를 찾는 자율주행 시스템에 관한 연구(제목: Reasoning in visual navigation of end-to-end trained agents: a dynamical systems approach)가 채택됐으며, 이 외에 이미지 생성 AI 모델의 창의성을 향상시키기 위한 방법을 제안한 연구(제목: Enhancing Creative Generation on Stable Diffusion-based Models) 등도 채택됐다.

자연어처리, 비전, 음성, 머신러닝 등 분야별 최고 권위 AI 학회에 논문 450편 이상 발표, 피인용 수 47,000회 이상

팀네이버는 컴퓨터비전 뿐만 아니라 자연어처리, 음성, 머신러닝 등 분야별 탑티어(top-tier) AI 학회에서 우수한 선행 연구 성과를 내고 있다. 현재까지 총 450편 이상의 연구를 발표했으며, 연구의 영향력을 가늠할 수 있는 지표 중 하나인 피인용 수는 47,000여 회에 달한다.

네이버는 적극적인 연구개발 투자를 지속하며 선행기술을 확보해나겠다고 밝혔다. 나아가 ‘온 서비스 AI(On-Service AI)’ 전략 아래, 생성형 AI와 공간지능 등 성공적으로 내재화한 핵심 기술을 네이버 주요 서비스에 도입해 사용자에게 차별화된 서비스 경험을 제공할 계획이다. </이상>

​

[참고] 팀네이버 CVPR 2025 채택 논문 리스트

1. MUSt3R: Multi-view Network for Stereo 3D Reconstruction

- 여러 장의 이미지를 동시에 활용해 연산 효율성을 높여 대규모 공간을 3차원으로 빠르게 재구성 (DUSt3R 후속 연구)

2. Pow3R: Empowering Unconstrained 3D Reconstruction with Camera and Scene Priors.

- 카메라 설정과 장면 정보를 더해 3차원 공간 재구성을 위한 추론 능력을 강화하고 정확성을 개선 (DUSt3R 후속 연구)

3. Reasoning in visual navigation of end-to-end trained agents: a dynamical systems approach

- End-to-End(시각 정보 입력부터 행동 출력까지 전체 과정을 학습) 방식의 학습을 활용해 빠르게 이동하는 로봇이 효율적으로 경로를 찾는 자율주행 시스템에 관한 연구. 학습된 로봇은 미래의 움직임을 예측하고 장기적인 경로 계획을 효과적으로 수행하는 것으로 나타남.

4. LPOSS: Label Propagation Over Patches and Pixels for Open-vocabulary Semantic Segmentation

- 시각언어모델(VLM)을 기반으로 추가 학습 없이 이미지 속 새로운 사물을 구분하는 기술에 관한 연구.

5. Heterogeneous Teacher Distillation

- 서로 다른 데이터로 학습된, 여러 개의 컴퓨터비전 모델(선생 모델)의 지식을 하나의 모델(학생 모델)에 전달하는 지식 증류 방법에 대한 연구.

6. Gaussian Splatting Feature Fields for (Privacy-Preserving) Visual Localization

- 3D 구조 기반 클러스터링을 사용해 원본 이미지 정보를 직접 저장하지 않고도 이미지의 위치를 정확하게 찾아낼 수 있음.

7. Layered motion fusion: Lifting motion segmentation to 3D in egocentric videos

- 카메라가 흔들리거나 움직이는 1인칭 시점의 영상에서도 움직이는 물체와 배경을 더 잘 구분하고, 2D 정보를 3D로 변환하는 방법에 대한 연구.

8. Co-op: Correspondence-based Novel Object Pose Estimation

- 입력 이미지와 3D 모델을 렌더링한 이미지 간의 대응점(correspondence)을 찾는 방식으로, 학습하지 않은 새로운 물체의 위치와 방향을 빠르게 정확하게 추정하는 방법을 제안.

9. EDM: Equirectangular Projection-Oriented Dense Kernelized Feature Matching

- 서로 다른 두 장의 360도 사진을 비교해서 공통된 특징을 찾아내는 모델. 기존 방식들은 360도 이미지를 일반적인 이미지처럼 매칭하였으나, 본 연구에서 제안한 ‘EDM’ 모델은 360도 이미지의 왜곡 특성을 고려하여 더욱 정확하게 특징점을 찾아냄.

10. Masking meets Supervision: A Strong Learning Alliance

- 기존의 마스킹 이미지 학습은 훈련이 불안정해지고 성능이 저하되는 문제가 있었음. 본 연구에서는 '메인모델'과 '서브모델'로 나눠 정상적인 지도 학습과 마스킹 이미지 학습을 병행하는 방식을 제안하여, 마스킹 이미지 학습의 불안정성 문제를 해결하고 모델의 성능도 개선함.

11. Enhancing Creative Generation on Stable Diffusion-based Models

- Stable Diffusion 모델의 창의적 생성 능력을 향상시키기 위한 방법 제안.

12. ControlFace: Harnessing Facial Parametric Control for Face Rigging

- 더 정밀한 Face Rigging(자세, 표정, 조명 등 얼굴 이미지의 특징 변형)을 위한 3D 모델 활용 방법 제안. 그 외에 변형된 이미지 생성 시에 미세한 디테일이 잘 유지되지 않았던 기존 Face Rigging 모델의 한계 해결.

13. CoCoGaussian: Leveraging Circle of Confusion for Gaussian Splatting from Defocused Images

- 선명한 이미지뿐만 아니라 초점이 맞지 않은 이미지로도 더 정확한 3D 장면을 표현할 수 있는 설계 방법 제안.

14. Nearly Zero-Cost Protection Against Mimicry by Personalized Diffusion Models

- 네이버웹툰이 개발 중인 IMPASTO(학습 방지 연구) 관련 연구 결과. 창작물에 미세한 신호를 적용하여 창작물에 대한 무단 학습을 방지하는 연구. 기존 접근법 대비 매우 빠른 처리 속도를 가진다는 특장점.