Google DeepMind, 동영상 생성 AI로 이미지 인식 작업을 푸는 기법 발표

Google DeepMind는 동영상 생성 모델을 이미지 인식의 고전적인 작업에 전용하는 기법 'GenCeption'을 발표했다. 깊이 추정이나 물체의 세그멘테이션(이미지 내의 대상 영역을 잘라내는 처리) 같은 종래의 이미지 인식 작업에서 최첨단 시스템과 동등한 정확도를 달성하면서, 필요한 학습 데이터의 양을 대폭 감소시키는 데 성공했다.

지금까지의 컴퓨터 비전(이미지·영상을 이해하는 AI 분야)에서는 높은 인식 정확도를 얻기 위해 대량의 교사 데이터가 필요했다. 깊이 추정은 이미지에서 깊이감을 추측하는 처리이며, 세그멘테이션은 이미지 안에서 인물이나 물체의 영역을 정확히 구분하는 처리다. 둘 다 자동주행이나 로봇 제어 등 광범위한 응용을 가진 중요한 기술이지만, 정확도 높은 모델을 만들려면 라벨이 붙은 대규모 데이터세트가 필수라는 과제가 있었다.

GenCeption은 이러한 인식 작업의 학습에 주로 합성 동영상(실사가 아닌 AI가 생성한 영상)을 사용하고 있다. 실제 데이터를 거의 사용하지 않으면서 동등한 성능을 달성한 것은 데이터 수집·라벨 붙이기의 비용을 낮출 수 있는 가능성을 보여주는 것이다. 또한 이 접근 방식은 '동영상 생성 모델이 이미 세상의 구조를 내부적으로 학습하고 있는 것 아닐까'라는 논의에도 하나의 근거를 더하는 것이 된다.

동영상 생성 모델이 우수한 영상을 생성하기 위해서는 물체의 형태·깊이감·움직임·조명 같은 물리적 세상의 작동 방식을 어느 정도 내부적으로 파악하고 있을 필요가 있다고 생각된다. 이 내부 표현을 '월드 모델(세계 모델)'이라고 부르며, AI 연구자들 사이에서 주목을 끌고 있는 개념이다. GenCeption의 성과는 동영상 생성 모델이 이미 이러한 월드 모델을 획득하고 있을 가능성을 보여주는 실험적 증거의 하나로 자리매김된다.

다만 동영상 생성 모델이 진정한 의미의 월드 모델을 가지는지에 대해서는 연구자들 사이에서 여전히 논의가 이어지고 있다. 생성된 영상이 시각적으로 자연스러운 것과 물리 세계를 정확히 이해하는 것이 반드시 같은 것은 아니기 때문이다. GenCeption의 결과는 이 문제에 대해 긍정적인 시사를 주는 것이지만, 결판을 짓는 것은 아니라는 견해도 있다.

이미지 인식 시스템의 개발에서 데이터 효율의 향상은 오랫동안의 과제다. 이번 성과가 보여주듯이 생성 AI로 만들어진 합성 데이터가 실데이터의 대체로 기능한다면 개발 비용이나 수집의 수고가 크게 바뀔 가능성이 있다. 동영상 생성 모델의 내부 표현을 다른 작업에 전용하는 이 접근 방식이 앞으로의 이미지 인식 연구에서 어떤 위치를 차지할 것인가가 주목점이라고 할 수 있다.