연구진이 의료 영상에서 클래스 관계를 고려한 프롬프트 튜닝 방법인 Omni-Geometry Knowledge Distillation (OGKD)을 제안했어요. 기존 방식은 클래스 간의 의미 있는 관계를 무시하고 불안정한 판단 경계를 만들어왔어요.
OGKD는 클래스 관계 구조를 활용해 ground truth를 보존하면서 클래스 간의 기하학적 관계를 고려한 directional target을 생성하고, 이를 통해 Global Geometry-Aware Distillation (GAD)과 Label-Guided Geometry Distillation (LGD) 손실 함수를 개발했어요.
11개의 의료 영상 데이터셋 실험 결과, OGKD는 기존 방식보다 평균 1.7~2.8% 정확도가 향상되었으며, 새로운 클래스에 대한 일반화 능력과 예측 신뢰도도 높았어요.