국가 AI 연구거점 참여 옥정슬 포스텍 교수팀, NeurIPS 2026서 연구 2건 발표

국가AI연구거점(NAIRL) 참여 연구진인 POSTECH 인공지능대학원 옥정슬 교수 연구팀이 NeurIPS 2026에서 연구 성과 2건을 발표합니다. 이 가운데 1건은 구두 발표(oral)로 채택됐습니다. 두 연구는 각각 사용자의 요청이 모호할 때 로봇이 어떻게 질문해야 하는지, 그리고 이미지 생성 AI가 추가 학습 없이 복잡한 지시를 따르게 하는 방법을 다룹니다.

첫 번째 연구인 「ProCompNav: Proactive Instance Navigation with Comparative Judgment for Ambiguous User Queries」는 구두 발표로 채택됐습니다. 집 안에 수납장이 여러 개인데 사용자가 “수납장 찾아줘”라고만 말하면 로봇은 되물어 가며 대상을 찾아야 합니다. 기존 방법은 지금까지의 설명과 비슷하게 맞는 물체에 쉽게 속아 엉뚱한 대상을 고르거나, 사용자에게 긴 답변을 요구하는 한계가 있었습니다.

ProCompNav는 후보 물체들을 모은 뒤 재귀적 비교 판단(Recursive Comparative Judgment)으로 범위를 좁힙니다. 후보들을 가르는 속성을 골라 예·아니오 질문을 던지고, 맞지 않는 후보를 제외하는 과정을 반복하는 방식입니다. CoIN-Bench에서 기존 방법보다 높은 성공률과 훨씬 짧은 사용자 응답 길이를 기록했고, TextNav에서도 가장 높은 성공률을 보였으며, 두 차례 사용자 연구에서도 참가자들이 이 방식을 선호했습니다. 이번 연구는 오라클(Oracle)과의 공동연구로 수행됐습니다.

두 번째 연구인 「EPIC: Efficient Predicate-Guided Inference-Time Control for Compositional Text-to-Image Generation」는 여러 물체와 개수, 속성, 위치 관계가 함께 들어간 지시문을 텍스트-이미지 모델이 여전히 잘 따르지 못하는 문제를 다룹니다.

EPIC은 지시문을 한 번만 분석해 확인 가능한 조건 목록으로 바꾸고, 생성된 이미지마다 이 조건에 비추어 검증합니다. 틀린 조건에 따라 일부 오류는 부분 편집으로, 전체 오류는 재생성으로 보내며, 추가 학습은 필요하지 않습니다. GenEval2에서 지시문 단위 정확도를 34.16%에서 71.46%로 끌어올렸고, 기존 최고 성능의 보정 방법보다 19.23%포인트 높은 정확도를 훨씬 적은 비용으로 달성했습니다.

국가AI연구거점은 앞으로도 AI의 신뢰성과 사용성을 높이는 연구 성과를 국내외 AI 커뮤니티에 지속적으로 소개해 나갈 예정입니다.

ProCompNav: https://arxiv.org/abs/2605.06223 / 프로젝트 페이지: https://tree-jhk.github.io/procompnav/
EPIC: https://arxiv.org/abs/2605.11722