AI 이미지 생성 기술 발전에 따라 기존 이미지 품질 평가의 한계가 드러나자, Lao와 Yu 연구팀은 심층 신경망 기반 이미지 처리 기술을 고려한 새로운 IQA 접근 방식인 SPIPS를 제안했습니다. SPIPS는 이미지의 전반적인 구조와 세부 요소를 모두 고려하여 인간의 시각적 인지 과정을 더욱 정확하게 반영하며, 기존 모델보다 인간의 지각적 판단과의 일관성이 향상되었습니다.

Nivedita M과 Yasmeen Shajitha S의 연구는 시간대별 교통량 예측, 사고 심각도 분류, 교통 이미지 분류를 통합한 멀티모달 머신러닝 프레임워크를 제시하여 높은 정확도와 스마트 시티 적용 가능성을 보여주었습니다. 이 연구는 미래 교통 시스템의 혁신을 이끌 핵심 기술로 평가받고 있습니다.

이화여대 연구진이 개발한 SRL-VAE는 적대적 학습을 통해 VAE의 생성 품질과 강건성을 동시에 향상시키는 혁신적인 기술입니다. 최소한의 계산 비용으로 성능 향상을 달성하여 AI 이미지 생성 분야에 새로운 가능성을 제시했습니다.

Shiwen Cao 등 연구진이 개발한 MCAF는 다중 모달 정보를 활용한 에이전트 기반 비디오 이해 프레임워크로, 다양한 데이터셋에서 기존 최고 성능을 뛰어넘는 결과를 달성했습니다. 특히 장시간 비디오 이해에 효과적이며, 계층적 주의 집중, 희석된 시간적 확장 메커니즘, 자기 반성 메커니즘을 통해 정확도를 높였습니다.

본 논문은 DDPM 기반의 물리 정보 생성 프레임워크를 사용하여 실현 가능한 전력 흐름 데이터를 합성하는 방법을 제시합니다. 보조 훈련 및 물리 정보 손실 함수를 통해 생성된 데이터의 통계적 충실도와 전력 시스템의 실현 가능성을 모두 보장하며, IEEE 14/30 버스 시스템에서의 실험 결과는 기존 모델보다 우수한 성능을 보였습니다.