TECHNOLOGY

인식, 생성, 분석

OGQ GYN의 핵심기술은 IP 콘텐츠를 다루는 세 축과 12종의 요소기술로 이루어집니다.

인식

멀티모달 IP 콘텐츠 자동 분리·인식 기술

이미지와 영상, 텍스트를 함께 처리해 한 장면 안의 개별 객체를 픽셀 단위로 떼어내고 의미를 붙입니다.

TRACE초고속 객체 경계 검출

확산 모델의 어텐션에서 객체 경계를 뽑아냅니다. 사람이 그린 주석이 필요 없습니다.

비교 항목	경쟁 기준	경쟁 성능	당사 TRACE
비지도 인스턴스 분할 (COCO)	point 기반 검출기	기준	+4.4 AP (추가 연산 6%)
태그지도 파놉틱 분할 (VOC)	point-supervised 모델	기준	+7.1 PQ (인스턴스 주석 불요)
개방형 어휘 검출 (SAM seed)	open-vocabulary 검출기	기준	최대 +16.5 PQ
추론 경량화	대형 VLM 기반 검출기	기준	45ms/장 · 81배 경량 (ICLR 2026 Oral)

COIN비지도 개별 객체 분할

정답 데이터 없이 밀집한 세포를 하나씩 분리합니다.

비교 항목	경쟁 기준	경쟁 성능	당사 COIN
세포 분할 정확도 (AJI)	기존 비지도 학습	기준	0.580 (비지도 대비 2배 이상)
TNBC 데이터셋	지도 학습 모델	기준	지도 학습 상회 (SOTA)
의료 데이터 주석 비용	수작업 주석	고비용	약 0원 수준 절감

DHR소수 객체 복원 분할

데이터가 한쪽으로 치우쳐도 작은 객체가 사라지지 않게 합니다.

비교 항목 (약지도 분할)	경쟁 기준	경쟁 성능	당사 DHR
PASCAL VOC 2012 (mIoU)	완전 지도 학습	100% 기준	79.6% (완전지도와 격차 84%↑ 축소)
MS COCO 2014 (mIoU)	기존 약지도 방식	기준	53.9%
소수 객체 복원 분할	기존 세그멘테이션	롱테일 손실	이중 특징 계층 재균형으로 복원

TTD다중 태그 균형 인식

이미지에 붙는 여러 태그 가운데 한 단어로 쏠리는 편향을 줄입니다.

비교 항목 (다중 태그 F1)	경쟁 기준	경쟁 성능	당사 TTD (0.2B)
자연어 처리 방식	NLTK	69.8%	82.8%
대형 LLM 기반	Vicuna-33B	60.4%	82.8%
초대형 LLM 기반	Qwen-72B	62.1%	82.8% (파라미터 1/360)

Chain-of-Prompts대화형 객체 분할 효율화

유형당 한 번의 클릭으로 같은 종류의 객체를 모두 분할합니다.

비교 항목	경쟁 기준	경쟁 성능	당사 CoP
조직 이미지 분할 클릭 수	SAM3 (per-instance)	245 클릭	3 클릭 (81.7배 절감)
상한 성능 대비	SAM3 상한	100%	3클릭으로 93.9% 도달
유형당 1클릭 (세포 3종)	per-instance 프롬프팅	기준	성능 90% 이상 유지
이미지당 1클릭 (H&E 8종)	per-instance 프롬프팅	기준	성능 95% 이상 유지 (무학습)

요소기술은 국제 학회에 논문으로 발표하고 특허로 권리화합니다.