화중과기대, 0.2B 파라미터로 10B급 성능 구현한 이미지 인페인팅 모델 '뫼비우스' 개발

주장화중과기대 연구진이 이미지 인페인팅(이미지 내 손상된 부분을 자연스럽게 채우는 기술) 분야에서 획기적인 효율성을 갖춘 '뫼비우스(Moebius)' 프레임워크를 공개했습니다.

팩트기존 산업용 파운데이션 모델은 10B(100억)개 이상의 파라미터를 사용하여 높은 성능을 보이지만, 막대한 연산 비용으로 인해 실제 서비스 적용에 어려움을 겪어왔습니다.

팩트연구진은 이를 해결하기 위해 0.22B(2억 2천만)개의 파라미터만 사용하는 초경량 구조를 설계했습니다.

팩트뫼비우스는 'Local-λ Mix Interaction(LλMI)' 블록을 도입하여 공간적 맥락과 전역적 의미 사전 정보를 고정 크기의 선형 행렬로 압축합니다.

주장이 방식은 복잡한 잠재 공간(Latent Space, 데이터의 핵심 특징을 저차원으로 표현한 공간) 내 상호작용을 유지하면서도 파라미터 수를 획기적으로 줄이는 성과를 거뒀습니다.

팩트연구진은 잠재 공간 내에서만 작동하는 적응형 다중 입도 증류 전략을 결합하여 모델의 표현력을 극대화했습니다.

팩트이 전략은 픽셀 공간으로의 복잡한 디코딩 과정을 생략하고 여러 그라디언트(Gradient, 기울기) 기반 손실 함수를 동적으로 조정하여 높은 품질의 결과물을 생성합니다.

팩트실험 결과, 뫼비우스는 11.9B 파라미터를 가진 산업용 모델 'FLUX.1-Fill-Dev'와 대등하거나 더 우수한 생성 품질을 기록했습니다.

팩트뫼비우스는 기존 모델 대비 2% 미만의 파라미터만 사용하면서도, 전체 추론 시간을 15배 이상 단축하는 효율성을 입증했습니다.

교차검증본 연구는 아카이브(arxiv)에 선공개된 논문으로, 아직 학계의 공식적인 동료 평가(Peer Review) 과정을 거치지 않았습니다.

교차검증해당 모델은 특정 데이터셋에서 높은 성능을 보이지만, 다양한 도메인에 대한 일반화 가능성이나 복잡한 이미지 상황에서의 설명 가능성 측면에서는 추가적인 검증이 필요합니다.

주장이번 연구는 고성능 인공지능 모델의 경량화가 실무 환경에서 충분히 가능하다는 점을 시사합니다.

출처arxiv의 선공개 논문(https://arxiv.org/abs/2606.19195)을 참고했습니다.