서울대와 카네기멜론대 연구팀이 하드웨어 비디오 인코더의 모션 벡터를 이용해 프레임 간 같은 시각 정보를 추적하고, 이전 계산 결과를 재사용하는 영상 AI 추론 기법 Ouroboros를 개발했다. 연구팀은 이 방법이 NVIDIA Jetson Orin 계열 실험에서 최대 연산량 87.0% 절감, 최대 추론 속도 2.61배 향상, 최대 에너지 64.5% 절감을 보였다고 밝혔다. 다만 이 수치는 특정 장치·모델·작업에서 나온 최대값이다.
Ouroboros는 연속된 영상에서 장면이 크게 바뀌지 않는 구간을 활용한다. 연구팀은 프레임 사이 움직임을 비디오 인코더가 생성하는 모션 벡터로 따라가면서, 이미 계산한 정보를 다시 쓰도록 설계했다. 이를 통해 같은 장면의 특징을 매번 처음부터 다시 계산하지 않도록 했으며, 영상 처리 과정에서 반복되는 연산을 줄이는 방향을 택했다. 연구진은 이 접근이 기존 프레임 단위 처리의 부담을 덜 수 있다고 설명했다.
또한 화면 경계를 넘는 움직임을 끊기지 않게 다루기 위해 순환형 입력 공간과 위치 인코딩 재배치를 적용했다. 영상에서는 객체가 프레임 한쪽 끝에서 다른 쪽으로 이동하거나, 일부가 화면 밖으로 사라졌다가 다시 들어오는 경우가 잦다. 연구팀은 이런 상황에서 추적이 잘 끊기지 않도록 입력 공간을 순환적으로 구성하고, 위치 정보가 왜곡되지 않게 조정했다. 이 설계는 프레임 간 대응을 안정적으로 이어 붙이기 위한 장치다.
성능 평가는 NVIDIA Jetson Orin 계열 장치에서 진행됐다. 연구팀은 여러 작업 중에서 최대 연산량 87.0% 절감, 최대 추론 속도 2.61배 향상, 최대 에너지 64.5% 절감을 보고했다. 정확도 측면에서는 객체 탐지와 인스턴스 분할에서 저하가 1% 미만이었다고 밝혔다. 다만 이 결과는 모든 환경에 그대로 적용되는 일반 수치가 아니라, 실험에 사용된 특정 조건에서 확인된 최대치로 해석해야 한다.
| 평가 항목 | 공식 발표 수치 | 적용 조건 |
|---|---|---|
| 연산량 | 최대 87.0% 절감 | Jetson Orin 계열 실험 |
| 추론 속도 | 최대 2.61배 | 선정 모델·작업 기준 |
| 에너지 | 최대 64.5% 절감 | 엣지 장치 실험 |
| 정확도 | 저하 1% 미만 | 객체 탐지·인스턴스 분할 |
자료: STORIUM 정리
연구는 6월 23일 ACM MobiSys 2026에서 구두 발표됐고, 서울대는 7월 14일 이를 공식 소개했다. 이번 발표 내용은 영상 AI 추론을 하드웨어 인코더와 결합해 계산을 줄이는 방법을 제시했다는 점에서 주목된다. 다만 공식 소개 자료가 밝힌 범위는 연구 성과와 실험 결과에 한정되며, 상용 제품 출시나 실제 서비스 적용 여부는 언급되지 않았다. 따라서 현재로서는 학술 발표된 연구 결과로 보는 것이 맞다.
남은 검증 범위도 분명하다. 우선 고정된 실험 장치인 Jetson Orin 계열 외의 다른 하드웨어에서도 같은 수준의 절감이 나오는지 확인이 필요하다. 또 객체 탐지와 인스턴스 분할 외의 작업, 더 복잡한 장면 변화, 긴 영상 구간에서도 정확도 저하가 1% 미만으로 유지되는지 추가 검증이 요구된다. 현재 공개된 사실만 놓고 보면, Ouroboros는 특정 조건에서 성능 개선을 보인 연구 단계의 방법이며 범용 배포 성과로 단정할 수는 없다.
저작권자 © STORIUM 무단전재 및 재배포 금지
