연구 흐름을 읽는 기술
논문은 단독으로 존재하지 않습니다. 항상 '이전 연구들의 실패 흐름 위'에 존재합니다.
개별 논문을 이해하는 것만으로는 부족합니다. 연구 분야의 전체 흐름을 파악해야 다음 연구 기회를 찾을 수 있습니다.
흐름이란 무엇인가?
정의
연구 분야의 흐름이란 시간에 따라 누적된 문제 해결의 연쇄를 의미합니다.
흐름을 이해하지 못하면
다음과 같은 문제가 발생합니다:
•
이 논문이 왜 필요한지 모릅니다•
중요한 논문과 trivial한 논문을 구분 못합니다•
다음에 무엇을 연구해야 할지 모릅니다•
이미 해결된 문제를 다시 풀려고 합니다"왜 이 논문이 필요한지" 판단하기
핵심 질문
이 논문이 없으면, 기존 방법으로는 해결되지 않는 문제가 남아 있는가?
YES → 필요한 논문입니다
NO → 불필요하거나 incremental(미미한 개선)입니다
논문이 "필요해지는" 4가지 이유
1. 기존 방법이 틀렸다
특징:
•
물리적 가정이 잘못되었습니다
•
수학적 근사에 한계가 있습니다
•
잘못된 독립성을 가정했습니다
실제 예시:
Lambert BRDF의 한계
•
문제: "표면을 완전 난반사로 가정하면 거칠기와 광택을 표현할 수 없다"
•
해결: Cook-Torrance 등장 → Microfacet 이론으로 거칠기 표현
판별법:
"기존 방법은 [현상]을 무시한다" 또는 "가정 [X]는 [조건]에서 틀린다"
2. 기존 방법이 느리다
특징:
•
실시간이 불가능합니다
•
메모리가 폭발합니다
•
스케일 확장이 불가능합니다
실제 예시:
NeRF의 속도 문제
•
NeRF: 고품질이지만 학습에 수 시간, 렌더링도 느림
•
Instant-NGP: Hash encoding으로 100배 가속
•
3D Gaussian Splatting: 실시간 렌더링 달성
판별법:
"이 방법은 O(n²)이라 실제 사용 불가" 또는 "[크기/해상도]에서 메모리 부족"
3. 기존 방법이 조건을 제한한다
특징:
•
정적 환경만 가능합니다
•
특정 데이터셋에서만 작동합니다
•
특정 광원/형상을 가정합니다
실제 예시:
NeRF의 정적 장면 제약
•
NeRF: 정적 장면만 가능
•
D-NeRF, Dynamic NeRF: 동적 장면으로 확장
•
NeRF in the Wild: 조명 변화, 임시 물체 처리
판별법:
"동적 장면에서는 실패한다" 또는 "[조건]이 바뀌면 재학습 필요"
4. 기존 방법이 현상을 충분히 설명하지 못한다
특징:
•
결과는 나오지만 이유가 불명확합니다
•
블랙박스입니다
•
제어가 불가능합니다
실제 예시:
딥러닝 설명 가능성
•
초기: "왜 잘 되는지 모르겠다"
•
XAI(Explainable AI): Attention visualization, Grad-CAM 등
•
결과: 제어 가능성 향상
판별법:
"왜 잘 되는지 설명할 수 없다" 또는 "디자이너가 결과를 제어할 수 없다"
흐름을 추적하는 실전 전략
중요: 최신 논문에서 시작해서 역추적
"흐름 파악" = 오래된 것부터 순서대로 읽기 "흐름 파악" = 최신 논문의 Related Work를 통해 역추적하기왜 최신 논문부터 시작해야 하는가?
1. 최신 논문이 이미 흐름을 정리해놨습니다
•
Related Work 섹션이 바로 "흐름의 요약본"입니다
•
저자들이 이미 중요한 논문을 선별해놨습니다
•
각 논문의 한계를 명확히 지적해놨습니다
2. 시간을 절약할 수 있습니다
•
100편의 논문 중 실제로 중요한 10~15편만 골라져 있습니다
•
읽을 필요 없는 논문을 걸러낼 수 있습니다
3. 현재 상태를 먼저 알아야 방향을 잡을 수 있습니다
•
"지금 무엇이 안 되는가"를 알아야 연구 주제가 보입니다
•
오래된 논문부터 읽으면 "이미 해결된 문제"에 시간을 씁니다
실전 전략: 최신→과거 역추적 방식
구체적 예시: Neural Rendering 분야 공부
잘못된 접근
2000년대 전통적 방법부터 차례로 읽기
→ 시간 낭비, 이미 해결된 문제 공부
올바른 접근
Step 1. 최신 논문 먼저
3D Gaussian Splatting (2023) 읽기
•
Abstract + Introduction + Related Work 집중
Step 2. Related Work 분석
발견한 중요 논문들:
•
"NeRF는 느리다" → NeRF (2020) 중요
•
"Instant-NGP는 메모리를 많이 쓴다" → Instant-NGP (2022) 중요
•
"Voxel 방법은 메모리 폭발" → Plenoxels 언급
•
"전통적 Mesh 방법은..." → 간단히 언급만, 깊이 읽을 필요 없음
Step 3. 선별된 핵심 논문
NeRF (2020) - 분야를 연 논문 Instant-NGP (2022) - 속도 문제 해결 3D Gaussian Splatting (2023) - 최신 방법Step 4. 시간 순으로 재정렬해서 읽기
NeRF → Instant-NGP → 3D Gaussian Splatting
각 논문의 "왜 필요했는가"가 명확해집니다.
효과:
•
3편만 읽고도 전체 흐름 파악
•
각 논문이 왜 필요했는지 명확히 이해
•
현재 무엇이 해결되지 않았는지 알게 됨
Related Work 읽는 법
중요도 표시하기
최신 논문의 Related Work를 읽을 때 이렇게 표시하세요:
반드시 읽기•
반복 언급되고 "foundational", "seminal" 등으로 표현
•
여러 문단에 걸쳐 설명
구조적 독해 필요•
여러 번 언급됨
•
비교 대상으로 자주 등장
1차 스캔으로 충분•
한 번 언급
•
단순 reference 수준
안 읽어도 됨•
"limited to", "however" 등 부정적 표현만
•
명확히 배제된 접근
Related Work 분석 템플릿
흐름 재구성 예시
Neural Radiance Fields (NeRF) 계열
1. 문제 제기 (2000년대)
"다시점 이미지로 3D 장면을 표현하고 싶다"
2. 전통적 접근 (Structure from Motion, MVS)
•
Mesh 재구성
•
한계: 복잡한 기하학, 텍스처 표현 어려움
3. Voxel 기반 (2010년대 중반)
•
3D 그리드에 occupancy 저장
•
한계: 메모리 O(n³), 고해상도 불가능
4. NeRF (2020)
•
5D 함수를 MLP로 표현
•
성공: 고품질 novel view synthesis
•
한계: 학습 느림 (수 시간), 렌더링 느림
5. Instant-NGP (2022)
•
Hash grid encoding
•
성공: 100배 빠른 학습
•
한계: 메모리 사용 증가
6. 3D Gaussian Splatting (2023)
•
Explicit representation (3D Gaussians)
•
성공: 실시간 렌더링
•
한계: 투명/반사 표면 어려움
7. 현재 연구 (2024~)
•
Dynamic scenes
•
Generalization
•
Editing
이 흐름을 이해하면
각 논문이 왜 필요했는지 압니다 다음 연구 방향이 보입니다 (현재 한계가 다음 논문의 주제) 본인의 아이디어가 어디에 위치하는지 압니다흐름 추적 워크시트
템플릿
30초 판단 체크리스트
아래 중 하나라도 YES면 필요한 논문입니다:
이전 방법으로 실험이 실패하는 경우가 명시됨
기존 방법의 한계가 수식/실험으로 증명됨
적용 불가능한 조건이 명확히 서술됨
이 논문이 아니면 해결 방법이 없다
전부 NO면:
•
단순 튜닝
•
파라미터 변경
•
데이터 운 영향 가능성
좋은 논문은 "새로운 걸 했다"가 아니라 "기존이 왜 안 되는지를 정확히 설명했다"로 평가됩니다
실전 연습
과제 1: 역추적 연습
1.
관심 분야의 최신 논문 1편을 선택하세요
2.
Related Work를 읽고 중요도를 표시하세요 (, , )
, , )3.
논문 3~5편을 시간순으로 읽으세요4.
흐름을 재구성하세요
과제 2: 공백 찾기
1.
비교 테이블을 만드세요 (최소 5편)
2.
한계 컬럼을 채우세요
3.
공통 실패 패턴을 찾으세요
4.
"아직 해결되지 않은 것"을 나열하세요
과제 3: 필요성 설명
각 논문마다 다음 문장을 완성하세요:
"이 논문이 없으면, 우리는 여전히 [무엇]을 못 한다"
이 문장이 자연스럽게 나오면 흐름을 이해한 것입니다.