이철 교수 연구팀, ECCV 2026 논문 채택

[이철 교수 연구팀, ECCV 2026 논문 채택]▲(좌측부터) Samira Malek 박사과정, Haichuan Zhang 박사과정, 이철 교수, Vishal Monga 교수컴퓨터·AI학부 이철 교수 연구팀이 미국 펜실베니아 주립대 연구팀과의 공동 연구를 통해 영상의 위상(Phase) 정보를 활용하여 영상 복원 성능을 효과적으로 향상시킬 수 있는 새로운 영상 복원 기술을 개발하였으며, 이를 컴퓨터비전 분야 3대 학술대회 중 하나인 European Conference on Computer Vision (ECCV)에 발표한다.최근 자율주행, 스마트폰, 의료영상, 위성영상 등 다양한 영상 응용 분야에서 흐리게 촬영된 영상을 선명하게 복원하는 디블러링(Deblurring) 기술의 중요성이 크게 증가하고 있다. 그러나 기존의 딥러닝 기반 영상 복원 기술은 대부분 공간 영역(Spatial Domain)의 영상 정보만을 복원하는 방식으로 설계되어, 영상의 구조적 정보를 담고 있는 푸리에 위상(Fourier Phase) 정보를 충분히 활용하지 못하는 한계가 있었다. 이러한 문제는 특히 잡음이 심하거나 학습 데이터가 부족한 환경에서 성능 저하로 이어질 수 있다.이에 연구팀은 영상의 푸리에 표현을 진폭(Amplitude)과 위상(Phase)으로 분리하여 각각을 최적으로 추정하는 새로운 영상 복원 프레임워크를 제안하였다. 또한 통계적 최적 추정 알고리즘을 딥러닝 네트워크로 확장하는 모델기반 딥러닝 기법을 적용하여, 모델 기반 알고리즘의 해석 가능성과 딥러닝의 높은 표현력을 동시에 확보하였다.특히 본 연구에서는 • 푸리에 진폭과 위상을 각각 선형 최소평균제곱오차(LMMSE) 기반으로 추정하는 새로운 통계적 복원 모델을 개발하고, • 이를 UPADNet(Unrolled Phase and Amplitude Decomposition Network)으로 구현하여 위상 정보까지 효과적으로 학습하는 새로운 영상 복원 네트워크를 제안하였다.제안한 기술은 최신 기법보다 우수한 성능을 달성하였으며, 특히 잡음이 심한 환경과 학습 데이터가 부족한 환경에서도 높은 복원 성능과 일반화 능력을 유지하는 것으로 확인되었다. 또한 상대적으로 적은 네트워크 파라미터만으로도 우수한 성능을 달성하여 정확도와 계산 효율성을 동시에 확보하였다. 본 연구에서 제안한 기술은 자율주행, 의료영상, 위성영상, 스마트폰 카메라, 산업용 비전 시스템 등 다양한 영상 복원 응용 분야에 활용될 것으로 기대된다.▲UPADNet 구조연구 결과는 “Leveraging Phase Information to Boost Unrolled Network Learning for Image Deblurring”이라는 제목으로 9월 스웨덴 말뫼에서 개최되는 ECCV 2026에서 발표될 예정이다.

송수환 교수 연구팀, 'IROS 2026' 논문 게재 승인

[송수환 교수 연구팀, 'IROS 2026' 논문 게재 승인]▲ (왼쪽부터) 이상기 석사과정, 최인성 석사과정, 송수환 교수우리 대학 컴퓨터AI학부 송수환 교수 연구팀(참여: 이상기, 최인성 석사과정)이 제출한 논문이 로보틱스 분야 최우수 학회인 'IROS 2026'에 최종 채택되었다.IEEE와 RSJ가 공동 주관하는 IROS(International Conference on Intelligent Robots and Systems)는 로보틱스와 지능형 시스템 분야에서 세계 최고 권위를 자랑하는 국제 학술대회이다.본 논문은 송수환 교수 연구팀의 이상기 석사과정이 1저자로 작성했으며, ‘Online Explore-Then-Exploit UAV Scanning with Budgeted Return Re-Scanning’이라는 제목으로, 제한된 비행 예산 내에서 단 한 번의 비행만으로 무인기(UAV)의 초기 스캐닝과 표적 재스캐닝을 완료할 수 있는 새로운 온라인 탐색-활용(explore-then-exploit) 프레임워크를 제안했다.▲그림. 논문에서 제안하는 온라인 탐색-활용(explore-then-exploit) 프레임워크

[컴퓨터·AI학부 강동현 교수 연구팀(차세대운영체제연구실), 한국반도체학술대회(KCS 2026) 분과별 우수논문상 선정]

[컴퓨터·AI학부 강동현 교수 연구팀(차세대운영체제연구실), 한국반도체학술대회(KCS 2026) 분과별 우수논문상 선정]△ 왼쪽부터 동국대학교 김유리(학부생), 동국대학교 컴퓨터·AI학과 이찬용(석사과정), 동국대학교 컴퓨터·AI학부 강동현 교수동국대학교 컴퓨터·AI학부 강동현 교수 연구팀(차세대운영체제연구실)의 논문이 강원도 하이원리조트 컨벤션타워에서 2026년 1월 27일(화) - 30일(금) 동안 개최된 제 33회 한국반도체학술대회(KCS 2026) 분과별 우수논문상에 선정되었습니다.한국반도체학술대회는 국내 산·학·연 반도체 전문가들이 모여 최신 연구 성과를 발표하고 기술 동향을 교류하는 국내 최대 규모의 종합 반도체 학술 행사이며, 분과별 우수 논문상은 사전 심사/현장 심사 등 점수를 합산하여 가장 성적이 우수한 논문에 수여하는 상이다.저자: 김유리(학부과정), 이찬용(석사과정), 강동현 교수분과: Semiconductor Software제목: eBPF를 활용한 Linux 커널 I/O 스택의 계층별 지연 시간 분석<I/O Latency 분석 결과>초록본 연구에서는 Linux 커널의 I/O 스택을 파일 시스템, 블록 계층, 장치 드라이버 등 주요 계층별로 세분화하여 I/O 경로를 추적하고, 각 계층의 지연 시간을 정량적으로 분석하였다. 이를 통해 고성능 저장 장치 환경에서 커널 내부의 주요 병목 지점을 식별하고, 효율적인 I/O 처리 구조 설계를 위한 기반을 마련하고자 한다. 우리는 Linux 커널에서 제공하는 동적 분석 도구인 eBPF를 활용하여 사용자 영역의 시스템 호출부터 하드웨어 드라이버까지 전 구간을 통합 추적하는 방법론을 구현하였다. eBPF 맵을 통해 각 I/O 요청의 타임스탬프와 지연 시간을 실시간으로 수집하고, 프로세스 ID와 커널 구조체의 주소를 키로 사용하여 요청을 추적하였다. 이를 통해 기존 I/O 추적 도구로는 파악하기 어려웠던 파일시스템 계층의 오버헤드를 정량적으로 측정하였다.

[컴퓨터·AI학부 강동현 교수, 한국정보과학회 2026년도 논문공헌상 수상자 선정]

[컴퓨터·AI학부 강동현 교수, 한국정보과학회 2026년도 논문공헌상 수상자 선정]△ 동국대학교 컴퓨터·AI학부 강동현 교수컴퓨터·AI학부 강동현 교수가 2026년 한국정보과학회 논문공헌상(Silver) 수상자로 선정됐다.강동현 교수는 정보과학회 논문지에 우수 논문을 다수 게재해 정보과학 발전과 학회지 활성화에 기여한 공로를 인정받아 ‘논문공헌상’ 수상의 영예를 안았다.논문공헌상의 시상식은 2026년 6월 25일(목), KCC2026 뱅킷(제주 ICC)에서 진행될 예정이다.

[컴퓨터·AI학부 강동현 교수 연구팀(차세대운영체제연구실), KCC2026 우수논문상 선정]

[컴퓨터·AI학부 강동현 교수 연구팀(차세대운영체제연구실), KCC2026 우수논문상 선정]△ 왼쪽부터 동국대학교 컴퓨터·AI학과 석사과정 이동영, 동국대학교 컴퓨터·AI학부 강동현 교수동국대학교 컴퓨터·AI학부 강동현 교수 연구팀(차세대운영체제연구실)의 논문이 한국정보과학회 KCC2026 우수논문상에 선정되었으며, 시상식은 2026년 6월 25일 KCC 2026 개회식에서 진행될 예정이다.저자: 이동영, 강동현분야: 컴퓨터시스템제목: 링 채널 확장을 통한 RFUSE 데이터 경로 최적화초록RFUSE는 CPU 코어별 링 채널 기반 통신을 통해 FUSE의 커널과 사용자 공간 사이의 문맥 전환 및 요청/응답 복사 오버헤드, 단일 큐 구조에 따른 확장성 한계를 개선한 사용자 공간 파일 시스템 프레임워크이다. 그러나 읽기 및 쓰기 요청의 파일 데이터는 여전히 /dev/fuse 캐릭터 디바이스에 대한 pread()/pwrite() 호출을 통해 전달되므로, 데이터 복사 과정에 추가적인 시스템 호출 오버헤드가 남아 있다. 본 연구에서는 기존 CPU 코어별 링 채널을 공유 데이터 버퍼를 포함하는 형태로 확장함으로써, 기존의 syscall 기반 데이터 전달 경로를 공유 메모리 기반 복사 경로로 대체하였다. 그 결과, RFUSE 대비 Fileserver 워크로드에서 18%의 성능 향상을 확인하였다.

컴퓨터·AI학부 임상수 교수팀, 디지털AI세포구축사업 선정

3년 9개월간 범용 디지털 AI세포 파운데이션 모델 개발… 총 187.5억 원 규모동국대 AI Team, 약 50억 원 규모연구 수행▲ 컴퓨터·AI학부 임상수 교수동국대학교 컴퓨터·AI학부 임상수 교수 연구팀이 서울대학교 최무림 교수 연구팀, 가천대학교 서승용 교수 연구팀과 함께 총 187.5억 원 규모의 디지털AI세포구축사업에 선정됐다. 연구기간은 3년 9개월이며, 이 중 동국대학교가 주관하는 AI Team 예산은 약 50억 원이다.이번 과제는 서울대학교 최무림 교수가 총괄주관연구책임자를 맡고, 임상수 교수가 1주관연구책임자, 가천대학교 서승용 교수가 2주관연구책임자로 참여한다. 연구팀은 ‘VITAL: 범용 디지털 AI 멀티모달 세포 구축과 질병-약물 반응 예측 활용’을 주제로, 범용 디지털 AI세포 모델을 구축하고 이를 질병 기전 규명과 신약 후보 발굴에 활용할 계획이다. 임상수 교수는 과제 내 AI Team을 주관하며, 바이오넥서스가 공동연구기관, 서울대학교, 고려대학교가 위탁연구기관으로 구성되어 있다.본 연구는 전사체·후성유전체·단백체·대사체 등 멀티오믹스 데이터를 통합해 세포의 반응을 예측하는 세계 최고 수준의 AI 파운데이션 모델을 개발하는 것이 핵심이다. 연구팀은 대사질환, 자가면역질환, 암질환을 주요 질환 모델로 설정하고, 대규모 세포 데이터와 Perturb-seq 데이터를 기반으로 질병-약물 반응 예측 플랫폼을 구축한다.임상수 교수 주관의 AI Team은 오믹스 데이터 기반 단일모달 모델과 이를 통합한 멀티모달 디지털 AI세포 파운데이션 모델 개발을 담당한다. 또한 유전자·단백질·패스웨이·약물 정보를 연계해 질환별 약물 타겟을 도출하고, 검증 결과를 반영해 모델 성능을 고도화할 예정이다.임상수 교수는 “이번 과제는 대규모 멀티오믹스 데이터 생산, AI 모델 구축, 실험 검증이 하나의 순환 구조로 연결된 연구라는 점에서 의미가 크다”며 “동국대 AI Team은 질병과 약물 반응을 예측할 수 있는 디지털 AI세포 모델을 개발해 신약 타겟 발굴과 정밀의료 연구에 기여하겠다”고 밝혔다.연구팀은 "향후 구축된 데이터와 AI 모델을 국가 바이오 데이터 인프라와 공개 플랫폼으로 확산해 국내 디지털 바이오 및 AI 신약개발 생태계 활성화에 기여할 계획"이라고 밝혔다.

컴퓨터·AI학부 임상수 교수팀, 바이오 멀티모달 파운데이션 모델 구축사업 선정

암 조직 사진과 유전자 정보를 함께 분석하는 AI 모델 개발 참여▲ 컴퓨터·AI학부 임상수 교수동국대학교 컴퓨터·AI학부 임상수 교수 연구팀이 과학기술정보통신부 바이오·의료기술개발사업 인공지능바이오 분야의 ‘바이오 멀티모달 파운데이션 모델 구축사업’ 분야2에 선정됐다.이번에 선정된 'CellularSpace: 멀티모달 단일세포 CellularSpace FM 개발 및 활용' 과제는 4년 9개월간 총 76억 원 규모로 추진되며, 이 중 동국대 연구팀은 9.5억 원 규모의 연구비를 지원받아 AI 기반 약물 반응 예측 연구를 수행한다. 성균관대학교 이주상 교수가 주관연구책임자를 맡고, 이화여자대학교·동국대학교·부산대학교·삼성서울병원이 공동연구기관으로 참여한다.과제는 ADC 반응 예측, 신규 항암 타겟 및 디지털 바이오마커 발굴, 지능형 디지털 병리 진단 플랫폼 구축을 주요 목표로 제시하고 있으며, 이번 연구는 암 조직 사진·공간전사체·공간단백체 등 다양한 생체 정보를 AI가 함께 학습하도록 하는 것이 핵심이다. 현미경으로 보는 조직 사진에 유전자와 단백질 정보를 더해 암세포의 위치, 주변 세포와의 상호작용, 약물 반응 등을 예측하는 AI 모델을 만들 계획이다.임상수 교수팀은 이 중 약물 반응 예측과 작용기전 분석을 위한 AI 모델 개발을 담당한다. 특히 항암제 중 하나인 항체-약물 접합체(ADC)에 대해, 어떤 환자가 약물에 잘 반응할지 예측하고 새로운 치료 표적을 찾는 연구를 진행한다. 임상수 교수는 “이번 과제는 병리 이미지와 유전자 정보를 AI로 통합해 암의 특성과 약물 반응을 더 정밀하게 이해하려는 연구”라며 “동국대 연구팀은 약물 반응 예측과 치료 표적 발굴에 기여할 수 있는 AI 기술을 개발하겠다”고 밝혔다.연구팀은 "향후 개발된 AI 모델을 신약개발, 암 치료 반응 예측, 디지털 병리 진단 보조 기술 등에 활용할 계획"이라며 "연구용 모델과 데이터를 공개해 국내 바이오AI 연구 생태계 확산에도 기여하겠다"고 밝혔다.

강동현 교수 연구팀 석사과정 이찬용 학생, IEEE TCE 논문 게재 승인

강동현 교수 연구팀 석사과정 이찬용 학생, IEEE TCE 논문 게재 승인△ 왼쪽부터 동국대학교 컴퓨터·AI학과 석사과정 이찬용,동국대학교 컴퓨터·AI학과 강동현 교수컴퓨터∙AI학부 강동현 교수 연구팀(이찬용 석사과정, 강동현 교수)은모바일 디바이스 환경에서 스토리지 성능의 최적화를 위한 새로운 데이터 배치 구조를 제안하였으며, 해당 연구 성과는 모바일 시스템 분야 세계 최고 수준의 국제 학술지인 ‘IEEE Transactions on Consumer Electronics (IF=10.9, JCR 상위 2.9%) 저널’에 게재될 예정이다.모바일 환경에서도 데이터 집약적인 애플리케이션이 많이 활용됨에 따라 대용량 데이터를 효율적으로 관리하기 위한 고성능 저장장치의 성능이 더욱 중요해지고 있다. 이에 대응하기 위해 TLC(Triple Level Cell) NAND Flash 기반의 ZNS(Zoned Namespace) 스토리지가 최근 제안되었으나, 스토리지 내부의 물리적 특성을 충분히 고려하지 않아 고성능 저장장치 구현 및 최적화에 한계가 있었다.연구팀은 이러한 한계를 극복하기 위해 PoZS(Performance-oriented Zone Scheduler) 기법을 ZNS 스토리지 환경에서 새롭게 제안하였다. 해당 기법은 TLC NAND Flash 환경에서 셀마다 다른 입출력 Latency의 성능 특성을 분석하고 이를 활용하기 위해 스토리지 내부의 Zone을 새롭게 구성함으로써, 데이터의 I/O 처리 성능을 효율적으로 향상시킨다.실험 결과, 제안된 모델은 기존 기법 대비 모바일 및 서버 환경 모두에서 우수한 성능을 보였으며, 다수의 애플리케이션이 동시에 수행되는 환경에서도 우수한 성능을 입증하였다.그동안 TLC 기반 스토리지에 대한 다양한 선행 연구가 진행되어 왔으나, 기존 SSD와는 다른 구조를 가진 차세대 ZNS 스토리지 환경에서 TLC의 물리적 특성을 활용해 해결책을 제시한 연구는 이번이 처음이다.본 연구는 기본연구사업, AI융합혁신인재양성사업 등의 지원을 받아 수행하였다.

이철 교수 연구팀, IEEE TCSVT 논문 게재

이철 교수 연구팀, IEEE TCSVT 논문 게재(좌측부터) 원해양 박사과정, 전북대학교 이세호 교수, 동국대학교 이철 교수컴퓨터∙AI학부 이철 교수 연구팀(원해양 박사과정, 이철 교수, 전북대학교 이세호 교수)이 스크린샷 영상에서 발생하는 moiré(모아레) 왜곡을 효과적으로 제거하는 인공지능 기반 영상 복원 기술을 개발하여, 이를 세계적인 국제 학술지인 IEEE Transactions on Circuits and Systems for Video Technology(TCSVT)에 게재하였다.최근 스마트폰 등으로 화면을 촬영한 영상의 활용이 증가하면서, 디스플레이 촬영 과정에서 발생하는 모아레 왜곡은 영상 품질 저하뿐 아니라 OCR, 객체 인식 등 컴퓨터비전 기반 인공지능 시스템의 성능을 저해하는 주요 요인으로 지적되고 있다. 특히 고해상도 영상에서는 다양한 주파수 대역의 복잡한 모아레 왜곡으로 인해 기존 영상 복원 기술로는 이를 효과적으로 제거하는 데 한계가 있었다.기존의 딥러닝 기반 영상 복원 기술은 주로 복원 영상과 정답 영상 간의 차이를 최소화하는 방식으로 학습되어 복잡한 모아레 왜곡의 특성을 충분히 반영하지 못하는 한계가 있었다. 이에 연구팀은 대조학습(Contrastive Learning) 기반의 새로운 학습 기법을 개발하여, 단순 복원을 넘어 왜곡된 영상과의 관계를 효과적으로 활용하여 성능을 향상시키는 기술을 개발하였다.특히 본 연구에서는· 고해상도 영상에서 다양한 주파수의 모아레를 효과적으로 처리하기 위한 HiReSD-Net 네트워크를 설계하고,·모아레 생성 모델을 기반으로 학습 과정에서 동적으로 보조 음성 샘플(Auxiliary Negative Samples)을 생성하는 DiSCo-Learn 학습 기법을 제안하였다.이를 통해 기존 방법 대비 정량적 성능과 시각적 품질 모두에서 우수한 결과를 달성하였으며, 특히 고해상도 환경에서의 일반화 성능을 크게 향상시켰다. 또한 본 기술은 영상 복원뿐 아니라 객체 탐지 등 후속 컴퓨터비전 성능 향상에도 기여할 수 있어, 다양한 응용 분야에 활용 가능할 것으로 기대된다.HiReSD-Net 및 DiSCo-Learn 기술 개념도연구 결과는 “High-Resolution Screenshot Demoiréing with Auxiliary Negative Sample Generation-Based Contrastive Learning”라는 제목으로 영상처리 및 컴퓨터비전 분야 최상위 국제 학술지인 IEEE Transactions on Circuits and Systems for Video Technology(IF=11.1, JCR 상위 3.7%)에 26년 4월 온라인 게재되었으며 올해 하반기에 출판될 예정이다.논문 링크: https://doi.org/10.1109/TCSVT.2026.3681919

송수환 교수 연구팀, 'CVPR 2026' 논문 게재 승인

우리 대학 컴퓨터AI학부 송수환 교수 연구팀(참여: 최인성, 이시우 석사과정)이 제출한 논문이 컴퓨터비 전 분야 Top-Tier 학회인'CVPR 2026'에 최종 채택되었다.IEEE/CVF가 주관하는 CVPR은 Computer Vision 분야 최고 권위의 국제 학술대회로, 올해 행사는 2026 년 6월 3일부터 7일까지 미국 콜로라도 컨벤션 센터에서 열린다.▲ (왼쪽부터) 최인성 석사과정, 이시우 석사과정, 송수환 교수본 논문은 송수환 교수 연구팀의 최인성, 이시우 석사과정이 공동 1저자로 작성했으며, ‘Partial- Reference Image Quality Assessment (PR-IQA)’ 제목으로, 정답 이미지 없이도 확산 모델(Diffusion model)이 생성한 이미지의 품질을 평가하여 3D 복원 성능을 향상시키는 새로운 품질 평가 프레임워크 를 제안하였다. 기존의 확산 모델을 활용한 희소 시점 합성 기술들은 생성된 가상 이미지 내에 광학적 및 기하학적 불일치를 빈번하게 포함하여 이를 3D Gaussian Splatting (3DGS) 학습에 그대로 사용할 경 우 오히려 3D 복원 품질을 훼손시키는 한계를 보였다. 이를 연구팀은 서로 다른 시점 간의 기하학적 일관성을 바탕으로 '부분 품질 맵(Partial Quality Map)'을 먼저 도출하고, 참조 뷰의 문맥을 통합하는 교 차 주의(Cross-attention) 메커니즘을 통해 이를 고밀도의 전체 품질 맵으로 완성(Quality completion)해 내는 PR-IQA 프레임워크를 개발하였다.그림. 논문에서 제안하는 PR-IQA 기반 3DGS 생성 프레임워크