이번 세미나에서는 "Revisiting Multimodal Fusion for 3D Anomaly Detection from an Architectural Perspective" 논문에 대해 소개해주셨습니다. 본 논문에서 3D Anomaly Detection에서의 멀티모달 융합 아키텍처가 가지는 구조적 중요성을 NAS 관점에서 재조명한 점이 매우 인상 깊었습니다. 특히 Intra-module 수준에서는 Feature 선택, Intermediate Node 구성, 그리고 연산 방식에 이르기까지 모두 자동으로 학습된다는 점에서 기존 수작업 기반의 아키텍처 설계에 비해 효율성과 확장성이 크게 향상된 것으로 보입니다. Inter-module Fusion 전략 또한 Early/Middle 단계의 출력 결과를 후속 모듈의 후보 Feature로 활용함으로써, 계층 간 정보전달을 효과적으로 수행한 구조적 설계 또한 인상적이었습니다. 좋은 논문 소개해주셔서 감사합니다!

이번 세미나에서는 "Revisiting Multimodal Fusion for 3D Anomaly Detection from an Architectural Perspective" 논문을 소개해주셨습니다. 본 연구는 3D 이상 탐지에서 RGB와 Depth modality 간 Fusion 설계가 성능에 미치는 영향을 분석하고, Neural Architecture Search(NAS)를 통해 최적 구조를 자동으로 탐색하는 3D-ADNAS를 제안했습니다. 특히 Depth 정보가 항상 도움이 되지 않는다는 점을 고려해 선택적으로 활용하고, Intra-Module과 Inter-Module Fusion을 정교하게 구성하여 성능을 극대화한 점이 인상적이었습니다. 다양한 모듈 조합을 자동 학습해 탐지 성능을 높였다는 점에서 구조적 자동화의 가능성을 잘 보여준 연구라 생각합니다. 좋은 발표 감사합니다.

이번 세미나에서는 3D 이상 탐지를 위한 멀티모달 융합 전략을 재조명하는 논문인 Revisiting Multimodal Fusion for 3D Anomaly Detection from an Architectural Perspective를 중심으로 진행되었습니다. 발표에서는 RGB와 Depth 정보를 어떻게 결합하느냐에 따라 이상 탐지 성능이 크게 달라질 수 있다는 점에 주목하며, Neural Architecture Search(NAS)를 활용하여 최적의 융합 구조를 찾는 연구의 필요성을 강조하였습니다. 특히, Depth 정보가 항상 도움이 되지는 않으며 오히려 노이즈로 작용할 수도 있다는 점에서, 기존 연구들인 EasyNet, MMRD 등을 예로 들며 Fusion 방식에 대한 세밀한 탐색이 필요함을 보였습니다. 발표는 다양한 Reconstruction 및 Memory Bank 기반 모델들을 비교하며, 3D 모달리티가 실제 이상 탐지 성능에 어떻게 기여할 수 있는지를 다각도로 분석한 점이 인상적이었습니다.

이번 세미나에서는 “Revisiting Multimodal Fusion for 3D Anomaly Detection from an Architectural Perspective (AAAI 2025)” 논문을 중심으로 발표가 진행되었습니다. 본 연구는 3D 이상 탐지에서 멀티모달 융합 구조의 중요성을 강조하며, NAS(Neural Architecture Search)를 활용해 최적의 Fusion 아키텍처를 자동으로 탐색하는 3D-ADNAS를 제안했습니다. 특히, Intra-Module Fusion에서는 각 모듈 내부에서 feature 선택, 중간 노드 경로, 연산 방식을 DARTS 기반으로 학습하고, Inter-Module Fusion에서는 Early, Middle, Late Fusion 간 정보를 유기적으로 연결해 복잡한 이상 패턴을 효과적으로 포착했습니다. RGB와 Depth를 단순 결합하는 기존 방식과 달리, 어떤 modality가 실제 task에 도움이 되는지를 학습적으로 판단하여 융합 구조를 최적화한 점이 인상적이었습니다. 또한, depth 정보가 noise로 작용하는 경우가 많아 무조건적 융합이 항상 최선은 아니라는 점, task별로 최적 구조가 다를 수 있다는 점을 실험적으로 보여준 것도 의미 있었습니다. 모델 구조를 자동화해 최적화함으로써 연산 효율성과 성능을 모두 잡았다는 점에서 향후 다양한 멀티모달 문제에 적용 가능성이 높다고 생각되었습니다. 아쉬운 점은 코드가 공개되지 않은 부분이지만, 발표를 통해 연구 가치와 활용 가능성을 충분히 확인할 수 있는 유익한 시간이었습니다. 좋은 발표 감사합니다!

이번 세미나에서는 Revisiting Multimodal Fusion for 3D Anomaly Detection from an Architectural Perspective 논문을 중심으로, 3D 이상 탐지에서 멀티모달 융합 전략이 모델 구조에 따라 어떻게 달라지는지를 조망해주셨습니다. 이 연구는 기존의 2D 이미지와 3D 포인트 클라우드를 결합하는 방식이 주로 late fusion에 의존해 왔다는 점에서 출발하여, 다양한 아키텍처 기반의 융합 방식들을 재검토하고 그 성능 차이를 체계적으로 분석했다는 점이 인상 깊었습니다. 3D 이상 탐지에서 multimodal fusion이 갖는 중요성을 짚어주며, backbone 공유 여부, fusion 시점, modality 간 정보 교환 방식에 따라 성능이 어떻게 달라지는지를 실험적으로 비교한 내용을 소개해주셨습니다. 특히 point-based와 voxel-based 3D backbone 구조, 그리고 2D vision encoder의 결합 방식에 따라 융합의 효과가 크게 달라지는 양상을 구체적인 사례를 통해 설명해주셔서 이해가 쉬웠습니다.

또한, 단순한 feature concat이나 attention 기반 융합뿐 아니라, modality 간 상호작용이 일어나는 위치와 깊이에 따른 설계 전략이 탐지 성능에 미치는 영향을 조명하며, 단일 모달 성능 개선보다도 융합 구조 설계가 훨씬 중요한 역할을 한다는 점을 강조해주셨습니다. 이는 단순히 멀티모달 데이터를 사용하는 것만으로는 성능을 보장할 수 없으며, 구조적인 설계와 융합 전략이 핵심임을 다시금 일깨워주는 발표였습니다. 좋은 발표 감사합니다!

이번 세미나는 3D AD 분야에서 모델 구조를 자동적으로 탐색하는 NAS 연구를 진행한 "Revisiting Multimodal Fusion for 3D Anomaly Detection from an Architectural Perspective"을 중심으로 진행되었습니다. NAS는 특정 태스크에 대해 우수한 성능을 보이는 모델 구조를 탐색하는 연구 분야로서 3D AD에서는 그동안 다양한 방식의 Modality fusion algorithm들이 제안되어 왔기에, 실제로 가장 최적의 모델 구조를 탐색하는 연구라 할 수 있습니다. 실제로는 최적의 아키텍처를 결정하기 위한 파라미터 후보군과 해당 후보군 내에서의 최적의 조합을 찾는 문제로서 논문에서는 2단계로 해결하고 있습니다. 그 결과를 살펴보면, 태스크 및 데이터셋에 따라 최적의 알고리즘이 다르다는 것을 확인할 수 있었습니다. 특히나 연구실 세미나에서 많이 이야기되었던 것처럼 데이터 셋이 3D로 존재하더라도 AD가 색과 같은 단순 2D 정보에 의존하는 경우와 Depth 정보에만 의존하는 경우 등에 따라 모델 구조가 달라져야 합니다. 결국 항상 최적의 모델 구조는 존재하지 않고, 실제 데이터 상황에 적절한 모델 구조를 제안 방법론을 통해 탐색할 수 있다는 점에서 매우 인상적인 논문이었습니다. 좋은 발표 감사드립니다.

이번 세미나는 “Revisiting Multimodal Fusion for 3D Anomaly Detection from an Architectural Perspective (AAAI 2025)” 논문에 대해서 소개해주셨습니다. 발표에서는 3D 이상 탐지에서 멀티모달 정보(RGB와 Depth)를 어떻게 융합할 것인지에 대한 구조적 설계를 NAS(DARTS 기반)로 자동화하는 3D-ADNAS 프레임워크를 다루었고, 특히 모듈 내부(Intra-module)와 모듈 간(Inter-module) fusion 방식 모두를 학습을 통해 최적화했다는 점이 인상 깊었습니다. Depth 정보가 항상 유용하지 않다는 점을 반영해, 필요할 때만 선택적으로 활용하는 구조를 찾는 접근은 실제 3D AD 상황에 더 적합해 보였고, 실험에서도 다양한 상황에서 높은 성능을 보여 그 설득력을 더했습니다. 중간(Middle) 레이어의 중요성, operation 선택의 영향, fusion 구성에 따른 성능 차이 등 다양한 ablation 실험을 통해 제안 방식의 효과도 잘 보여주셔서 유익한 시간이었습니다. 좋은 발표 감사합니다.

이번 세미나는 3D 이미지 이상치 탐지를 주제로 진행되었습니다. 소개해주신 연구는 MultimodalFusionArchitecture가 중요함을 밝히고,NAS를 이용해 최적의 Architecture를 자동 탐색하는 3D-ADNAS를 제안하였습니다. NAS(Neural Architecture Search)는 딥러닝 모델의 구조를 자동으로 선별하는 기술이며 그중에서 DARTS(Differential Architecture Search)는 operation에 가중치를 부여하여 최적의 가중치를 찾아가는 과정을 의미합니다. NAS나 DARTS는 이미지 데이터를 다루는 구조에서만 적용되지 않기에 시계열 데이터, 텍스트 데이터 등에서도 충분히 적용될 수 있지 않을까 생각됩니다. 한편, 연구에서 주장하는 바 중 하나는 Depth를 사용하는 것이 무조건 성능을 높이는 방안은 아니라는 것이었는데, 3D 이미지에서 이를 활용하지 않을 수가 있나 싶습니다. 덕분에 NAS, DARTS 등의 개념을 새로이 배울 수 있었습니다. 감사합니다.

이번 세미나에서는 "Revisiting Multimodal Fusion for 3D Anomaly Detection from an Architectural Perspective" 라는 논문에 대한 소개를 중심으로 진행되었습니다. 세미나에서는 3D 기반 이상 탐지에서 멀티모달 융합 구조의 중요성을 강조하며, NAS(Neural Architecture Search)를 적용하여 최적의 멀티모달 융합 구조를 자동으로 설계하는 3D-ADNAS를 제안한 내용을 다루었습니다. 해당 세미나를 들으며, 기존 연구들이 단순히 RGB와 Depth 데이터를 결합하거나 고정된 방식으로 융합 구조를 설계했던 한계를 넘어, 융합 방식을 학습적으로 설계하는 접근법을 보여준 점이 인상 깊었습니다. 특히 Intra-Module Fusion에서 각 MSM(Multimodal Search Module) 내부의 Feature 선택, 중간 노드 구성, Feature 연산 방식을 DARTS 기반으로 최적화하여 성능을 개선한 부분이 인상 깊었습니다. 이 과정에서 어떤 modality feature가 더 유용한지를 모델이 스스로 학습하도록 유도했다는 점이, heuristic 기반 설계에 비해 더 일반화 가능성이 높아 보였습니다. 또한 Inter-Module Fusion을 통해 Early, Middle 단계의 MSM 출력이 후속 MSM에 candidate feature로 추가되며, 모듈 간 정보 흐름과 상호작용이 강화된 점도 멀티모달 정보의 효과적 활용 측면에서 설득력 있었습니다. 좋은 발표 준비해주셔서 감사합니다.

이번 세미나에서는 3D 기반 이상 탐지에서 멀티모달 융합 구조의 중요성을 강조한 ‘Revisiting Multimodal Fusion for 3D Anomaly Detection from an Architectural Perspective (AAAI 2025)’ 논문에 대해서 발표해 주셨습니다. 해당 논문에서는 멀티모달 융합 구조를 자동으로 설계하기 위해 NAS(Neural Architecture Search)를 적용한 3D-ADNAS를 제안하였습니다. 기존 연구들은 보통 RGB와 Depth 정보를 단순히 Concat하거나 수동적으로 설정된 Fusion 방식에 의존했으나, 이 논문은 Intra-Module Fusion과 Inter-Module Fusion이라는 두 축을 중심으로 보다 정교하고 학습 가능한 구조를 구성한 것이 인상 깊었습니다. 특히 Intra-Module Fusion에서는 각 모듈 내부에서 어떤 Feature를 선택하고, 어떤 중간 노드를 거치며, 어떤 연산을 적용할지를 DARTS 기반으로 자동 학습해 성능을 향상시킨 점이 흥미로웠습니다. Inter-Module Fusion에서는 Early, Middle, Late 단계의 MSM 간 정보를 흐르게 하여 모듈 간 상호작용을 강화함으로써, 복잡한 패턴을 보다 잘 포착할 수 있도록 하였습니다. 기존 Reconstruction 기반 AD 방식들이 갖는 연산 자원 소모 문제를 해결하고자, 효율적으로 설계된 NAS 기반 자동 구조 최적화를 도입한 점은 실제 응용 가능성에서도 높은 평가를 받을 수 있다고 생각됩니다. 무엇보다 “어떤 Modality가 도움이 되는가?”를 자동으로 판단하고, 그에 따라 융합 구조를 학습적으로 설계한다는 접근 자체가 기존의 Heuristic 방식을 넘어선다는 점에서 의의가 있다고 생각하였습니다. 흥미로운 주제로 좋은 발표해 주셔서 감사합니다.

해당 논문은 3D 이상 탐지(3D Anomaly Detection)에서 멀티모달 융합 아키텍처의 중요성을 조명하고, 이를 효율적으로 설계하기 위한 자동 구조 탐색 프레임워크인 3D-ADNAS를 제안합니다. Intra-module Fusion에서는 각 MSM 내부에서 feature 선택/중간 노드 설정/연산 방식을 자동으로 최적화하고, Inter-module Fusion에서는 이전 단계의 출력을 다음 모듈의 후보 feature로 활용하여 효과적인 정보 흐름을 구성합니다.
멀티모달 정보의 융합이 단순한 결합이 아니라, 구조적으로 정교하게 설계될 때 성능에 큰 영향을 미칠 수 있다는 점을 실증적으로 보여주었다는 점에서 인상 깊었습니다. 특히 NAS를 활용해 이러한 구조를 자동으로 탐색하고 최적화한 접근은 실용성과 확장성 면에서 주목할 만하다고 느꼈습니다.
연구의 방향성과 실험 설계 모두 탄탄했고, 발표 또한 핵심을 잘 짚어주셔서 이해에 큰 도움이 되었습니다. 유익한 발표 준비해 주셔서 감사합니다!

Multimodal fusion의 구조적 설계가 3D 이상치 탐지 성능에 어떻게 영향을 미치는지 소개한 본 논문과 세미나를 통해, 해당 분야의 연구 동향과 다양한 관점을 접할 수 있어 좋았습니다. 특히 시간을 포함한 자원과 방법론의 한계로 인해 경험적으로 이루어지던 구조 설계를, DARTS와 같은 NAS 방법론을 통해 continuous space 상에서 최적의 상태를 탐색할 수 있음을 처음 알게 되어 유익했으며 이는 다른 modality 연구에도 중요한 인사이트라 생각되었습니다. 3D 이상치 탐지임에도 depth 정보가 noise로 작용하여 오히려 도움이 되지 않는 경우가 많다는 사실이 매우 의외였으며, 일반적인 경향을 찾기보다는 각 task에 적합한 방향성을 고민해야겠다는 생각이 들었습니다. 자동화 탐색을 통해 설정한 아키텍처가 꽤 간결한 형태를 갖고 있으며, 이렇게 제안된 3D-ADNAS가 기존 방법론들에 비해 좋은 성능이 나왔음은 알고리즘에 의한 모델 구조 결정이 근본적인 중요도를 갖고 있음을 시사한다고 느꼈습니다. 코드가 공개되지 않은 것을 포함해 아쉬운 점도 있었으나, 그럼에도 불구하고 공부할 가치가 충분한 연구라는 발표자님의 의견에 매우 동감했습니다. 좋은 세미나 감사합니다.

이번 세미나는 3D Anomaly Detection 분야에서 RGB와 Depth Moality 간의 Fusion의 중요성을 강조하고, 사전에 정의된 Search Space에서 다양한 후보 구조 중 성능이 가장 좋은 프레임워크를 탐색하는 Neural Architecture Search(NAS)를 적용한 3D-ADNAS라는 모델을 제안한 “Revisiting Multimodal Fusion for 3D Anomaly Detection from an Architectural Perspective”리는 논문에 대한 발표를 중심으로 진행되었습니다. 이상치 탐지 분야에서 점점 다양한 Modality를 활용함에 따라 이 Modality들을 어떻게 Fusion할 지에 대한 부분도 탐지 성능 향상에 주요하게 작용하는데, 3D AD 분야에서도 이에 대한 고민을 통해 좋은 방법론을 제안한 연구가 진행되었다는 생각이 들었습니다. 특히, Depth 정보가 항상 중요하진 않다는 의견을 통해 이를 선택적으로 활용할 수 있다는 점과, 최적의 Architecture를 자동으로 찾을 수 있다는 점에서 더욱 의의가 있다는 생각이 들었습니다. 좋은 발표 해주셔서 감사합니다.

이번 세미나에서는 "Revisiting Multimodal Fusion for 3D Anomaly Detection from an Architectural Perspective” 논문을 소개해주셨습니다. 본 논문은 3D 이상 탐지에서 멀티모달 융합 구조가 성능에 미치는 영향을 분석하고, 기존의 경험적이고 수동적인 Fusion 방식을 넘어 자동화된 구조 설계 방법론을 제안한 연구였습니다. 특히, Neural Architecture Search(NAS)를 활용한 3D-ADNAS 방법론을 통해 Intra-Module Fusion과 Inter-Module Fusion을 정교하게 설계함으로써 성능을 최적화한 점이 인상 깊었습니다. Intra-Module Fusion에서는 DARTS 기반으로 각 모듈 내부의 Feature 선택과 연산을 자동 학습하며, Inter-Module Fusion에서는 Early, Middle, Late 단계 간 상호작용을 통해 복잡한 이상 패턴을 효과적으로 포착했습니다. 또한 depth 정보가 때로는 Noise로 작용할 수 있다는 사실과, 각 Task 특성에 따라 modality의 중요성이 다르게 나타난다는 점도 흥미로웠으며, 구조적 자동화가 다른 연구 분야에도 중요한 통찰을 제공할 수 있다고 생각합니다. 전체적으로 효율적인 자동 구조 설계를 통해 기존 방법론 대비 우수한 성능을 달성한 점에서 의미 있는 연구라고 느꼈습니다. 좋은 발표 감사합니다.

금일 세미나는 "Revisiting Multimodal Fusion for 3D Anomaly Detection from an Architectural Perspective"논문을 바탕으로 진행되었습니다. 해당 연구에서는 Neural Architectures Search(NAS)라는 연구 분야를 바탕으로, 어떠한 Modality(2D, 3D)를 사용할지를 결정하는 방법을 제안하며 이상탐지를 수행하고 있습니다. 이렇게 어떠한 Modality를 사용할지를 결정하는 이유는, 3D modality가 분명 이상탐지에 도움을 주는 경우도 존재하지만, 학습 시에 방해를 주는 경우도 있기 때문입니다. 결론적으로, RGB(2D)와 Depth(3D)간 Fusion은 이상을 더욱 잘 탐지하기 위해서는 필수적이나, Fusion에 대한 보다 정교한 설계가 필요하다고 말할 수 있습니다. 이에 제안 연구에서는 딥러닝 모델의 구조를 자동으로 선별하는 기술인 Neural Architectures Search를 이용하고 있습니다. 이를 위하여 Intra-module fusion에서는 MSM 내부의 Feature 선택, Intermediate Node, Feature 연산을 자동으로 학습하여 최적 구조를 찾아 성능을 개선하고 있으며, Inter-module Fusion에서는 Early, Middle MSM의 Output을 이후 MSM의 candidate feature에 추가하는 등 모듈 간 Fusion을 진행합니다. 생소한 방법론을 자세하게 설명해주셔서 이해가 수월했습니다. 좋은 발표 정말 감사드립니다.