구글·애플·메타 제친 네이버랩스, 비전 분야 세계 최고 학회서 1위

실시간
뉴스

구글·애플·메타 제친 네이버랩스, 비전 분야 세계 최고 학회서 1위

디지털데일리 발행일 2024-10-08 09:46:01

이나연 기자

URL복사

MASt3R, 정밀지도 없이도 정확한 측위로 12개 팀 중 1위…BOP챌린지서도 1위 차지

지난달 28일부터 이탈리아 밀라노에서 진행된 ECCV 2024에서 네이버랩스 연구원들이 MASt3R에 대해 발표하고 있다. [ⓒ 네이버]

[디지털데일리 이나연기자] 네이버랩스가 연구해 온 ‘공간지능(Spatial Intelligence)’ 기술이 ‘2024 유럽컴퓨터비전학회(ECCV) 두 부문에서 1위에 올랐다.

네이버랩스는 이번 ECCV 2024에서 ▲맵프리 비주얼 리로컬라이제이션(Map-free visual re-localization) ▲BOP 챌린지 두 부문에 도전했으며, 모두 1위를 차지했다고 8일 밝혔다.

ECCV는 이미지와 영상 등 컴퓨터 비전 분야에 특화된 최신 인공지능(AI) 연구 성과를 발표하고 새로운 기술 화두를 제시하는 세계 최고 권위 학회로, 글로벌 빅테크는 물론 비전 분야 세계 최고 석학들이 참석한 가운데 2년 주기로 개최된다.

맵프리 비주얼 리로컬라이제이션 챌린지는 정밀지도 등이 없는 상황에서도 얼마나 정확하게 측위가 가능한지를 겨룬다. 비주얼 로컬라이제이션은 일반적으로는 사전에 생성된 3D/HD 지도를 기반으로 측위(Localization)을 수행하는 과정을 거친다.

하지만 재난 또는 공사 현장 등 지도를 생성하거나 미리 준비할 수 없는 상황도 있어 ‘지도 없이 측위’하는 기술도 점차 중요성이 높아지고 있다.

네이버랩스는 해당 챌린지에 이미지를 3D로 재구성하는 AI 기술 도구 ‘마스터(MASt3R)’를 선보였다. MASt3R는 정밀지도가 없는 상황에서도 충분히 정확한 측위가 가능하다는 점을 인정받아 구글, 애플, 메타 등 12개 참가팀 중 1위를 차지했다. MASt3R는 네이버랩스유럽이 개발한 3D 비전 파운데이션 모델(VFM) ‘크로코(CroCo)’를 기반으로 만든 ‘더스터(DUSt3R)’ 업그레이드 버전이다.

또, 네이버랩스는 BOP(Benchmark for 6D Object Pose Estimation) 챌린지에서도 1위를 차지했다. BOP 챌린지에서는 이미지 내에 있는 물체들의 3차원 회전과 위치를 얼마나 정확히 추정하는지 겨룬다.

네이버랩스가 해당 부문에 제출한 기술 모델은 RGB이미지만으로도 물체의 위치를 가장 정확하게 측위(The Best RGB-Only Method)하고, 또 가장 빠르게 처리(The Best Fast Method)할 수 있다는 평가를 받으며 1위를 차지했다. 특히 이번 BOP 챌린지 1위는 지난해에 이어 두 번째다. 해당 모델 역시 3D 비전 파운데이션 모델 CroCo를 기반으로 제작됐다.

ECCV 2024에서 1위를 차지한 네이버랩스의 MASt3R. 3D 비전 파운데이션 모델 CroCo를 기반으로 제작됐다. [ⓒ 네이버]

지난 2017년 별도 법인으로 출범한 네이버랩스는 꾸준한 기술 연구를 바탕으로 공간지능 분야에서 기술 화두를 제시해왔다. 이어 2019년 인수한 세계 최대 AI 연구소 네이버랩스유럽을 통해 비전 기술을 축적해온 결과, 그해 CVPR에서 VL(Visual Localization) 요소 기술 ‘R2D2’로 글로벌 정보기술(IT)기업들을 제치고 1위를 차지한 바 있다.

석상옥 네이버랩스 대표는 “인공지능에 이어 새로운 미래 변화를 만들어 낼 공간지능은 네이버랩스 출범 이후 로봇과 자율주행 기술을 발전시켜 오며 꾸준히 준비해 온 분야이자 핵심 경쟁력 그 자체”라며 “로봇, 자율주행, 디지털 트윈은 물론 이를 지원하는 클라우드 인프라, 1784와 같은 핵심 테스트베드, 나아가 중동 등 새로운 글로벌 이정표로도 확장할 수 있도록 연구개발(R&D)에 더욱 매진하겠다”고 말했다.

한편, 네이버클라우드 역시 이번 ECCV 2024에서 11편의 AI 연구 논문이 게재 승인되는 성과를 거두며, 최근 ‘멀티모달(Multimodal) AI’ 부상으로 더욱 주목받고 있는 컴퓨터 비전 분야 기술력을 선보였다.

특히 AI 모델 제작에 필요한 다량 이미지·텍스트 데이터를 보다 효과적으로 정제해 양질의 학습 데이터셋을 구축할 방법을 제안한 연구, 이미지 인식 모델 성능을 향상하는 방법을 소개한 연구 등을 발표했다.