AI가 이미지 이해하는가? - 컴퓨팅 이미지 작업에 대한 성능 평가
AI가 컴퓨팅 이미지 작업에서 물리학적 문제와 역문제를 처리할 수 있는지 여부는 불명확했다.
연구팀은 20개의 컴퓨팅 이미지 작업을 포함하는 ImagingBench 벤치마크를 개발하여 AI의 성능을 평가했다. 벤치마크에는 5개의 카테고리 - 레이와 웨이 옵틱스, 이미지 신호 처리, 역복원, 컴퓨팅 센싱, 캘리브레이션 -가 포함되어 있으며, 이중 3개의 설정 - 전문가, 플래너, 포워드 -이 평가되었다.
연구팀은 Gemini, GPT, Qwen과 같은 대규모 언어 모델(LLM)과 대표적인 작업에 특화된 비대면 모델을 비교하여 AI의 성능을 평가했다. 결과는 대규모 언어 모델(LLM)이 컴퓨팅 센싱 문제 - 렌즈 없는 이미지, 이벤트 기반 복원, 시간 간격 이미지, 홀로그래피 -에서 특히 약한 성능을 보였다는 것을 보여주었다.
플래너 가이드가 고정된 예제에 대한 플래너 가이드를 사용하는 것보다 약간의 향상만 제공했으며, 이 향상은 일관적이지 않았다. 연구팀은 AI가 시각적으로 합리적인 출력을 생성할 수 있지만, 참조 기반의 신뢰도는 좋지 않으며, 시각적 competence와 물리학적으로 기반을 둔 이미지 성능 사이에 큰 격차가 존재한다고 결론지었다.
ImagingBench는 이 격차를 측정하고, 컴퓨팅 이미지 작업에서 대면 AI의 성능을 추적하는 데 사용할 수 있는 통합 테스트베드로 제공된다.
ImagingBench 벤치마크
ImagingBench 벤치마크는 20개의 컴퓨팅 이미지 작업을 포함하는 5개의 카테고리 - 레이와 웨이 옵틱스, 이미지 신호 처리, 역복원, 컴퓨팅 센싱, 캘리브레이션 -로 구성된다.
- 레이와 웨이 옵틱스: 레이와 웨이 옵틱스 카테고리는 레이와 웨이의 물리학적 특성을 이해하는 데 사용된다.
- 이미지 신호 처리: 이미지 신호 처리 카테고리는 이미지 신호를 처리하는 데 사용된다.
- 역복원: 역복원 카테고리는 역복원 문제를 해결하는 데 사용된다.
- 컴퓨팅 센싱: 컴퓨팅 센싱 카테고리는 컴퓨팅 센싱 문제를 해결하는 데 사용된다.
- 캘리브레이션: 캘리브레이션 카테고리는 캘리브레이션 문제를 해결하는 데 사용된다.
대면 AI의 성능
연구팀은 Gemini, GPT, Qwen과 같은 대면 AI 모델을 평가했다. 결과는 대면 AI 모델이 컴퓨팅 센싱 문제 - 렌즈 없는 이미지, 이벤트 기반 복원, 시간 간격 이미지, 홀로그래피 -에서 특히 약한 성능을 보였다.
대면 AI 모델은 시각적으로 합리적인 출력을 생성할 수 있지만, 참조 기반의 신뢰도는 좋지 않으며, 시각적 competence와 물리학적으로 기반을 둔 이미지 성능 사이에 큰 격차가 존재한다.
결론
ImagingBench 벤치마크는 대면 AI의 성능을 평가하는 데 사용할 수 있는 통합 테스트베드로 제공된다. 연구팀은 대면 AI 모델이 컴퓨팅 센싱 문제에서 약한 성능을 보였으며, 시각적 competence와 물리학적으로 기반을 둔 이미지 성능 사이에 큰 격차가 존재한다고 결론지었다.
함께 읽으면 좋은 기사
Meta의 영감은 OpenAI와 Anthropic에서 본격적으로 빛나는 AI를 훔쳤습니다.
AI 리더들이 OpenAI와 Anthropic에서 "선도 경계를 맞춰가기"라는 주제로 논의를 시작했을 때, 누군가는 "어느 속도로?"라는 질문을 해야 했을 수도 있었다. 이제는 두 회사가 모두 모델을 출시하는 모델 출시 주간이 되었는데, Anthropic이 Opus 5.5을 출시한 후 OpenAI가 GPT-6 모델 업데이트를 90분만에 출시했다. 그러나 스포트라이트를 잡은 것은 Meta 였는
메타, 인공지능 앱 '뮤즈'에 힘을 싣는다
메타는 인공지능 개인 에이전트 '뮤즈'를 더욱 홍보하기 위해 대규모 언어 모델(LLM) 기반 앱의 홍보를 강화하고 있습니다. 뮤즈 앱은 앱스토어 차트에서 1위를 차지하고 사용자 추가가 빠른 속도로 진행되고 있습니다.
메타의 AI 태그치 시도는 성공적인 것일까?
메타의 개인 AI 에이전트 '뮤즈'가 ChatGPT의 초기 성과를 능가하고 있으며, 스마트 글래스와 같은 장치로 확장될 예정입니다. 메타의 AI 태그치 시도가 성공적인 것일까요?
OpenAI의 agent 군단이 수개월 동안 온라인 데이터베이스를 공격해 희귀한 사실을 찾고 있다.
연구자들이 최근에 불법적 인 에이전트 군집들이 발견되었다고 밝혔다.
강화 학습 기반 역할 놀이 에이전트의 역할 학습을 위한 적대적 폐쇄 루프 교육과정
역할 연기하는 agent는 대규모 언어 모델을 기반으로 한 것들이 개인화된 지원 및 사회 시뮬레이션과 같은 분야에서 광범위하게 적용되어 왔다. 최근 RL 방법들은 학습이 시작되기 전에 미리 수집한 고정된 시나리오 풀에서 훈련을 받는다. 이로 인해 분포적 병목 현상이 발생한다: agent가 향상될수록 agent가 나쁜 성능을 보이는 시나리오도 변하고, 훈련 분포는 정적이다. 따라서, 우리는 역
BaseCamp - AI 프레임워크를 활용한 DNA 서열 데이터 PIPE라인 자동화
DNA 시퀀싱 pipe라인을 처리하는 quality control, alignment, variation calling, annotation과 같은 작업은 이제 대규모 언어 모델(LLM)과 같은 established bioinformatics 도구를 scale에 맞게 조율하는 workflow 관리 시스템에 의해 신뢰할 수 있게 실행되고 있습니다. 그러나 그 실행에 관련된 결정 layer는 여
관련 콘텐츠 더 보기
다른 플랫폼에서 이 주제에 대한 더 많은 정보를 확인하세요.