산야 피들러

개요

산야 피들러(Sanja Fidler)는 NVIDIA의 AI 연구 부사장(VP of AI Research)이자 토론토대학교 부교수입니다. NVIDIA 토론토의 Spatial Intelligence Lab(SIL)을 이끌고 있으며, Vector Institute의 공동 창립 멤버이자 Canadian CIFAR AI Chair를 맡고 있습니다.

컴퓨터비전, 머신러닝, 자연어처리 분야에서 130편 이상의 논문을 발표했으며, 3D 재구성, 장면 이해, 합성 데이터 생성 분야의 선도 연구자로 알려져 있습니다. NVIDIA Pioneer of AI Award, Connaught New Researcher Award 등 다수의 학계 상을 수상했습니다.

2025년에는 캐나다 기술 혁신에 대한 기여를 인정받아 Maclean's 선정 "Nation Maker"로 이름을 올렸으며, CVPR 2025에서 3편의 Oral, 3편의 Highlight를 포함한 논문들을 발표하는 성과를 거뒀습니다.

생애

슬로베니아 류블랴나에서 태어났습니다. 류블랴나대학교에서 응용수학 학사(2002년)와 컴퓨터과학 박사(2010년)를 취득했습니다. 박사 과정 중 컴퓨터비전 분야의 연구에 집중했으며, 학위 취득 후 UC 버클리 방문 과학자를 거쳐 토론토대학교 박사후 연구원으로 활동했습니다.

이후 토론토대학교 교수로 임용되어 컴퓨터비전과 머신러닝 연구를 이어갔습니다. 2018년 NVIDIA가 토론토에 AI 연구소를 설립할 때 피들러가 그 수장으로 합류했으며, 이 기관이 현재의 Spatial Intelligence Lab으로 발전했습니다. 토론토대학교 교수직과 NVIDIA 부사장직을 겸직하는 형태로 학계와 산업계 연구를 동시에 이끌고 있습니다.

2024년 4월에는 Ken Museth의 물리 시뮬레이션 연구팀이 SIL에 합류했고, 같은 해 12월에는 Laura Leal-Taixe의 팀도 통합되며 연구소 규모가 확장되었습니다. 2025년 SIGGRAPH에서는 SIL 소속 논문 8편이 채택되는 성과를 거뒀습니다.

업적

피들러의 연구는 크게 세 축으로 나뉩니다. 첫째는 2D 및 3D 객체 탐지와 장면 분할로, 이미지와 영상에서 사물과 공간 구조를 정확히 인식하는 방법론을 발전시켰습니다. 둘째는 합성 데이터 생성으로, AI 모델 학습에 필요한 대규모 라벨 데이터를 자동 생성하는 기술에서 중요한 기여를 했습니다. 셋째는 3D 재구성과 공간 지능으로, 월드 모델이 물리 세계의 기하 구조와 동역학을 어떻게 내부적으로 표현할 수 있는지 연구해왔습니다.

NVIDIA에서는 공간 지능과 3D 월드 표현이라는 전문성이 직접 기여로 이어졌습니다. 밍유 리우, 얀 카우츠와 함께 NVIDIA Research의 생성 모델 연구를 이끄는 핵심 연구자로 평가받습니다. Spatial Intelligence Lab은 3D 콘텐츠 생성, 기하 처리, 물리 시뮬레이션, 3D 인식, Physical AI를 주요 연구 방향으로 삼고 있습니다.

Vector Institute 공동 창립에도 참여해 캐나다 AI 연구 생태계를 형성하는 데 제도적 기여를 했습니다. Vector Institute는 토론토대학교, 요슈아 벤지오의 MILA와 함께 캐나다 AI 연구의 세 축 중 하나로 자리잡았습니다.

여담

슬로베니아 출신 연구자가 캐나다 AI 생태계의 핵심 기관을 공동 창립하고 NVIDIA 부사장에 오른 이력은, 유럽 비영어권 출신 연구자가 북미 AI 산업에서 리더십 역할을 맡은 드문 사례 중 하나입니다.

응용수학 학사에서 컴퓨터비전 박사로, 다시 NVIDIA 산업 연구 부사장으로 이어지는 커리어 경로는 순수 학문과 산업 연구 사이에서 균형을 잡는 방법을 보여주는 사례로 자주 거론됩니다.

2025년 Maclean's Nation Maker 선정과 SIGGRAPH 8편 채택, CVPR 2025 오랄 3편은 학계 명성과 산업 연구 성과를 동시에 인정받은 결과입니다. NVIDIA AI Podcast에도 출연해 공간 지능과 3D 콘텐츠 생성의 미래를 직접 소개하는 등 대중 소통에도 적극적입니다.

주요 논문

• Annotating Object Instances with a Polygon-RNN (2017) -- 폴리곤 기반 반자동 인스턴스 분할 어노테이션 도구 (CVPR 2017)
• Efficient Interactive Annotation of Segmentation Datasets with Polygon-RNN++ (2018) -- 사람-루프 기반 폴리곤 어노테이션 효율화 (CVPR 2018)
• Holistic Scene Understanding for 3D Object Detection with RGBD Cameras (2013) -- RGBD 카메라로 3D 객체 탐지와 장면 분류를 결합한 CRF 모델 (ICCV 2013)
• PolyTransform: Deep Polygon Transformer for Instance Segmentation (2020) -- 트랜스포머 기반 폴리곤 인스턴스 분할 (CVPR 2020)
• Fast Interactive Object Annotation with Curve-GCN (2019) -- 그래프 신경망으로 객체 경계를 대화형으로 빠르게 어노테이션 (CVPR 2019)
• Deep Marching Tetrahedra: A Hybrid Representation for High-Resolution 3D Shape Synthesis (2021) -- 고해상도 3D 형상 합성을 위한 하이브리드 표현법 (NeurIPS 2021)
• GET3D: A Generative Model of High Quality 3D Textured Shapes Learned from Images (2022) -- 2D 이미지로 학습한 고품질 3D 텍스처 형상 생성 모델 (NeurIPS 2022)
• Magic3D: High-Resolution Text-to-3D Content Creation (2023) -- 텍스트 프롬프트에서 고해상도 3D 메시를 40분 내 생성 (CVPR 2023)
• Describing the Scene as a Whole: Joint Object Detection, Scene Classification and Image Captioning (2012) -- 객체 탐지, 장면 분류, 이미지 캡션을 결합한 통합 장면 설명 모델 (CVPR 2012)
• Learning to Segment Every Thing (2018) -- 부분 지도 학습으로 모든 카테고리 분할을 학습하는 방법 (CVPR 2018)