병렬 디코딩으로 시각 위치 추정을 빠르게—GroundAnything 논문
원제 GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed
추천 75댓글 2
Key Point
시각 위치 추정(visual grounding)의 속도와 정확성 양립 문제를 해결하는 새 방법론으로, 실시간 응용이 필요한 실무 시스템에서 바로 적용 가능한 기술입니다.
핵심 요약
- 기존 자동 회귀(AR) 방식의 시각 그라운딩 모델은 위치 예측을 순차적으로 처리해서 지연 시간이 크다.
- GroundAnything은 그라운딩을 '영상에서 시각 증거 추출'로 재정의하고, 개별 객체와 위치의 공간 관계가 좌에서 우로의 생성 순서를 따를 필요 없다고 본다.
- 이를 위해 양방향 확산(bidirectional diffusion) 방식을 적용해 공간 가설들을 병렬로 생성하고 반복 디노이징으로 공동 정제한다.
- 43억 개 파라미터 기반으로 학습 전략은 공개 데이터셋 사전학습, AR-확산 변환, 감독 미세조정, GRPO 강화학습 순으로 구성된다.
- 30개 벤치마크에서 자동 회귀 변형인 GroundAnything-VLM은 72.42%를 기록해 같은 크기 모델 중 새로운 최고 성능을 달성했고, GPT-6 Astra의 71.35%와 경쟁한다.
- 엔트로피 유도 디코딩을 사용하면 기존 MTP 기반 LocateAnything의 53.32%보다 높은 61.75%를 넘어선다.
- 선택적 자기 추측(self-speculative) 모드는 AR 대비 4.51배 속도 향상을 달성하되 COCO F1mIoU에서 0.74 포인트 손실이 발생한다.
- 인프라 실험으로 병렬 디코딩 최적화가 실제 속도 개선으로 이어지며, 지연 시간이 중요한 실시간 시스템에서 효율적 시각 그라운딩을 지원한다.