▲ 3D 데이터셋 증류 기술 개요 / 개발된 기술은 원본 포인트 클라우드와 합성 데이터를 동시에 입력해 특징(feature)을 비교한 뒤, 채널(벡터의 구성 요소 값)별 특징을 정렬해 의미 기반 매칭을 수행하고, 합성 데이터의 회전각까지 함께 최적화하는 구조로 구성된다.(그림 및 설명=UNIST)  © 특허뉴스

자율주행차·로봇·디지털 트윈 등 3D 데이터 기반 산업이 빠르게 확장되는 가운데, 방대한 학습 데이터가 필요한 3D 인공지능(AI) 모델의 핵심 병목인 “데이터 학습 비용과 시간”을 획기적으로 줄일 기술이 국내 연구진에 의해 개발됐다.

UNIST 인공지능대학원 심재영 교수 연구팀은 3D 포인트 클라우드(Point Cloud) 데이터를 수십 분의 1 수준으로 요약하고도 원본에 가까운 성능을 유지할 수 있는 고효율 데이터 증류(dataset distillation) 기술을 개발했다고 1일 밝혔다. 본 연구는 인공지능 분야 세계 3대 학회 중 하나인 NeurIPS 2025에 정식 논문으로 채택되며 국제적 기술 가치를 인정받았다.

3D 포인트 클라우드는 물체를 수많은 점들의 집합으로 표현한 데이터 구조다. 그러나 이 데이터는 점의 순서가 없고, 물체의 회전 방향이 계속 바뀌는 특성 때문에 기존 데이터 증류 기술을 적용하기 어렵다.

데이터 요약의 핵심은 원본 데이터와 요약 데이터 간의 ‘정확한 비교’인데, ▲점마다 고정된 순서가 없어 비교 자체가 어긋나고, ▲물체의 회전 방향이 변하면 동일한 물체도 완전히 다른 형태처럼 보이는 문제 때문에 기존 기법은 정확한 매칭이 거의 불가능했다.

심 교수팀은 이 난제를 해결하기 위해 3D 데이터 구조의 핵심 문제를 직접 겨냥하는 두 가지 기술을 결합했다.

첫 번째는 SADM(Structure-Aware Discrepancy Minimization) 손실 함수로, 포인트 클라우드 내부의 점 구조를 자동 정렬해 원본·요약 데이터 간 의미적 대응이 정확히 이뤄지도록 돕는다.

두 번째는 Learnable Rotation(학습 가능한 회전 최적화) 기술로, AI가 물체의 회전 각도를 스스로 조절하면서 가장 적합한 비교가 이뤄지도록 최적의 방향을 찾아낸다.

이 두 가지 기술을 결합한 결과, 연구팀은 데이터 크기를 25분의 1로 줄여도 원본 대비 큰 성능 저하 없이 학습이 가능한 효율성을 입증했다.

실제 ModelNet40 데이터셋 실험에서는 요약 데이터만으로 학습했음에도 80.1%의 정확도를 기록했으며, 이는 전체 데이터를 모두 활용했을 때의 87.8% 성능과 크게 차이나지 않는 수준이다.

이는 3D AI 모델이 요구하는 대규모 데이터 학습 비용·시간·GPU 자원을 획기적으로 절감하면서도, 모델 성능을 안정적으로 유지할 수 있음을 보여주는 세계적 수준의 연구 성과다.

심재영 교수는 “이번 기술은 3D 점 데이터가 가진 무질서 구조와 회전 변동성 문제를 동시에 해결한 최초의 접근법”이라며 “자율주행·드론·로봇·디지털 트윈 등 대규모 3D 데이터 활용 산업에서 AI 학습 효율을 획기적으로 높일 수 있을 것”이라고 강조했다.