최우수국제학술대회 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026 정규 논문 채택
이재윤, 남혁, 조성인의 공동 연구 논문 “Measure The Feature Universe: Topology-based Pseudo Labeling and Gravity Consistency for Source-Free Domain Adaptation”이 컴퓨터 비전 분야 최고 권위 국제학술대회인 CVPR 2026 (IEEE/CVF Conference on Computer Vision and Pattern Recognition)에 정규 논문으로 채택됐다.
본 논문은 Source-Free Domain Adaptation(SFDA) 환경에서 발생하는 성능 저하 문제를 다룬다. 특히 소스 데이터를 사용할 수 없는 상황에서, 타깃 도메인 데이터만으로 안정적인 적응 성능을 확보하기 어렵다는 문제를 완화한다.
연구팀은 이러한 SFDA 문제를 해결하기 위해 모델이 이해하는 특징 공간의 구조를 반영하여 신뢰도 높은 의사 라벨링(pseudo labeling)을 할 수 있도록 Topology-based Pseudo Labeling과 학습 안정성을 높이기 위한 Gravity consistency를 제안한다.
연구팀의 방법은 크게 그림 1과 같이 (1) 신뢰도 높은 의사 라벨(pseudo label)을 만드는 단계와 (2) 이를 바탕으로 모델을 안정적으로 학습시키는 단계로 구성된다. 먼저 의사 라벨링 단계에서는 타깃 특징 공간이 비어 있거나(희소함) 경계 부근에서 잘못 라벨링될 가능성이 큰 문제를 줄이기 위해, 가상 특징(virtual features) 생성, 특징 공간 탐색(feature traversal), 신뢰 구간(reliable area) 설정을 함께 사용한다. 이를 통해 클래스 중심 주변의 샘플을 보다 안정적으로 찾고, 의사 라벨의 신뢰도를 높인다
이어 학습 단계에서는 약한 증강(weak augmentation)과 강한 증강(strong augmentation) 입력에 대해 모델의 특징(feature)과 최종 예측(logit)이 서로 크게 달라지지 않도록 일관성을 학습한다. 특히 제안한 gravity consistency는 예측의 신뢰도에 따라 학습 신호를 조절해, 불확실한 샘플로 인한 학습 불안정을 완화하는 역할을 한다.
최종적으로 논문에서는 Office-Home, VisDA-C, DomainNet-126 등 대표적인 SFDA 벤치마크 데이터셋에서 실험을 수행했으며, 제안 방법의 효과를 검증했다
그림 1. Measure The Feature Universe 프레임워크 개요. (상단) 가우시안 기반 가상 특징 생성, 신뢰 영역 스케줄링, manifold-aware 거리 측정을 통한 topology-based pseudo labeling. (하단) weak/strong augmentation 기반 target training과 feature/logit consistency 및 gravity consistency signal 설계.
CVPR 2026 프로그램 위원회 공지에 따르면, 올해는 16,092편의 논문이 심사 과정을 거쳤으며(철회 및 desk reject 제외), 이 중 4,090편이 채택되어 25.42%의 채택률을 기록했다. 한편, Poster / Highlights / Oral 구분은 추후 별도로 공지될 예정이다.
CVPR 2026은 2026년 6월 3일(수)부터 6월 7일(일)까지 미국 Denver, Colorado에서 개최될 예정이다.
**[**참고자료]
논문 제목: Measure The Feature Universe: Topology-based Pseudo Labeling and Gravity Consistency for Source-Free Domain Adaptation
저자: 이재윤(공동 제1저자, 서강대), 남혁(공동 제1저자, 서강대), 조성인(교신저자, 서강대)
IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026 Website