인하대학교 최동완 교수 연구팀은 원본 학습 데이터를 쓰지 않고도 기존 AI 모델의 지식을 다른 모델에 전달하는 기술인 '패치 재탄생 역변환(PRI)'을 개발했다고 밝혔다. 대상은 이미지를 작은 조각인 패치로 나눠 처리하는 비전 트랜스포머다. 연구팀은 학습이 끝난 모델의 정보를 바탕으로 합성 이미지를 만든 뒤, 그 이미지를 새 모델 학습에 쓰는 모델 역변환 방식을 활용했다. 이렇게 하면 원본 데이터를 직접 사용하지 않아도 기존 모델이 익힌 정보를 옮길 수 있다.
기존 방식은 합성 이미지를 만드는 초기에 중요도가 낮아 보이는 패치를 제거해 계산량을 줄였다. PRI는 여기서 더 나아가, 중요한 패치를 단계적으로 분리하면서 남은 패치도 버리지 않고 계속 최적화해 이후 이미지 생성에 다시 활용한다. 논문에 따르면 이미지 생성 속도는 실험에서 기존 희소 모델 역변환보다 최대 2배, 일반적인 밀집 모델 역변환보다 최대 10배 빨랐다. 관련 논문은 'NeurIPS 2026' 채택 논문 목록에 올랐다.