본 기사는 텍스트-이미지 생성 AI 모델의 급속한 발전과 그에 따른 평가의 어려움을 다룹니다. 새로운 평가 프레임워크 IMAGINE-E를 소개하고, 6개 주요 모델의 평가 결과를 통해 FLUX.1과 Ideogram 2.0의 우수한 성능과 T2I 모델의 범용성 확장 가능성을 제시합니다.

Rui Li 등 연구팀이 개발한 TPO(Temporal Preference Optimization)는 장기 비디오 이해를 위한 혁신적인 후처리 프레임워크로, 선호도 학습을 통해 시간적 기반을 강화하고 수동 주석 데이터 의존도를 줄였습니다. 세 가지 벤치마크에서 우수한 성능을 기록하며, 특히 LLaVA-Video-TPO는 Video-MME에서 7B 모델 중 최고 성능을 달성했습니다.

본 연구는 인간 피드백을 활용하여 비디오 생성 모델을 개선한 획기적인 연구로, 대규모 인간 선호도 데이터셋과 다차원 비디오 보상 모델 VideoReward, 그리고 세 가지 효율적인 정렬 알고리즘을 제시합니다. 실험 결과는 제안된 방법의 우수성을 입증하며, 개인 맞춤형 고품질 비디오 생성의 가능성을 열었습니다.

Xinya Wang 등 연구팀은 다중 위상 CT를 활용하여 단일 위상 CT 영상의 질을 향상시키는 3D PFNL 네트워크를 개발했습니다. 이를 통해 췌장 분할 정확도를 3% 향상시켜 췌장암 진단의 정확성을 높였으며, 다중 위상 CT 활용의 새로운 가능성을 제시했습니다.

Pan 등(2025)의 연구는 비미분 가능 서로게이트 모델에 대한 도메인 어파인 변환 기반 전이 학습 방법을 제시하고, BBOB 벤치마크 및 실제 문제를 통해 그 효과성을 검증했습니다. 이 연구는 AI 서로게이트 모델의 데이터 효율성을 높이고 실제 문제 해결에 활용성을 확장하는데 크게 기여할 것으로 기대됩니다.