본 논문은 다이나믹 컨볼루션의 한계점(매개변수 과다, 추론 속도 저하, 동적 어텐션과 정적 커널의 공동 최적화 어려움)을 해결하기 위해 경량화된 컨볼루션 커널 플러그인인 KernelDNA를 제안합니다. KernelDNA는 입력 의존적인 동적 라우팅과 사전 훈련된 정적 변조를 통해 커널 적응을 분리하여 매개변수 효율성과 하드웨어 친화적인 추론을 보장합니다. 기존의 다이나믹 컨볼루션과 달리, 다중 커널 앙상블을 통한 매개변수 확장 대신 계층 간 가중치 공유와 어댑터 기반 변조를 활용하여 표준 컨볼루션 구조를 변경하지 않고 동적 커널 특수화를 가능하게 합니다. 이를 통해 표준 컨볼루션의 고유한 계산 효율성을 유지하면서 입력 적응형 커널 조정을 통해 표현력을 향상시킵니다. 이미지 분류 및 밀집 예측 작업에 대한 실험 결과, KernelDNA는 다이나믹 컨볼루션 변형 중 최첨단 정확도-효율 균형을 달성함을 보여줍니다.
