패스트캠퍼스 환급챌린지 22일차 : Computer Vision Signature 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

https://fastcampus.info/4n8ztzq

22일차 후기!

오늘은 3D 컴퓨터 비전의 핵심이라 할 수 있는 'Depth(깊이)' 정보를 추정하는 다양한 기법과 센서에 대해 학습했다. 2D 이미지에 '깊이'라는 3차원 정보를 더하는 과정이 얼마나 다채로운 원리로 이루어지는지 알 수 있었던 유익한 시간이었다. 단순히 카메라로 세상을 보는 것을 넘어, 기계가 어떻게 공간을 입체적으로 인식하는지에 대한 근본적인 이해를 다질 수 있었다.

강의는 크게 하드웨어적인 접근(Active Sensor)과 소프트웨어적인 접근(Passive, Image-based)으로 나누어 Depth를 얻는 방법을 설명했다.

1. Active Sensors: 능동적으로 빛을 활용하는 센서들

• 구조광 (Structured Light) 센서: 특정 패턴(격자, 점 등)의 빛을 대상에 투사하고, 그 패턴이 물체의 굴곡에 따라 왜곡되는 정도를 분석하여 깊이를 계산하는 방식이다. 아이폰의 Face ID가 대표적인 예시로, 비교적 가까운 거리에서 정밀한 3D 스캔이 필요할 때 강점을 보인다는 점을 이해했다. 패턴을 직접 쏘기 때문에, 텍스처가 없는 평평한 벽 같은 곳도 정확히 인식할 수 있다는 점이 인상 깊었다.
• ToF (Time of Flight) 센서: 빛(주로 적외선)을 쏘아 보낸 후, 대상에 맞고 센서로 다시 돌아오기까지 걸리는 '시간'을 측정하여 거리를 계산한다. 빛의 속도는 일정하기에, 시간만 알면 거리를 알 수 있다는 단순 명료한 원리가 핵심이다. 구조광보다는 정밀도가 다소 낮을 수 있지만, 반응 속도가 빠르고 소형화에 유리하여 모바일 기기나 AR/VR 헤드셋의 제스처 인식 등에 널리 쓰인다는 점을 배웠다.
• LiDAR (Light Detection and Ranging): ToF와 유사하게 레이저 펄스를 사용하지만, 여러 방향으로 레이저를 회전하며 스캔하여 주변 환경 전체의 3D 포인트 클라우드(Point Cloud)를 생성한다. 자율주행 자동차의 '눈'으로 불리는 이유를 명확히 알 수 있었다. 먼 거리까지 정확하게 측정할 수 있고, 주야간에 상관없이 안정적인 성능을 보장하지만, 장비의 크기나 가격이 다른 센서에 비해 상대적으로 높다는 특징도 파악했다.

2. Image-based Estimation: 이미지로부터 깊이를 추론하다

• 스테레오 비전 (Stereo Vision): 인간이 두 눈으로 원근감을 느끼는 것과 가장 유사한 방식이다. 약간 떨어진 위치에 있는 두 대의 카메라(혹은 그 이상, MVS)로 촬영한 이미지 쌍에서, 동일한 지점이 이미지상에서 얼마나 다르게 보이는지(Disparity, 시차)를 계산하여 깊이를 추정한다. 기하학적 원리에 기반하기에 직관적이지만, 두 이미지에서 동일 지점을 정확히 찾아내는 '매칭(Matching)' 과정이 매우 중요하며, 반복되는 패턴이나 텍스처가 없는 영역에서는 어려움을 겪는다는 한계점도 명확히 인지했다.
• 단안(Monocular) Depth 추정: 단 한 장의 이미지로 깊이를 추정하는, 가장 도전적인 기술이다. 기하학적으로는 단서가 부족하기에, 주로 딥러닝을 통해 이미지 속 객체의 크기, 가려짐, 명암, 질감 등 맥락적인 단서를 학습하여 깊이를 추론한다. 스마트폰의 '인물 사진 모드'가 이 기술을 활용하는 좋은 예다. 절대적인 거리를 정확히 알기는 어렵지만, 상대적인 깊이 관계를 그럴듯하게 표현해내는 능력이 놀라웠고, 이는 대량의 데이터로 학습된 AI 모델의 힘이라는 것을 다시 한번 느꼈다.

이번 강의를 통해 'Depth를 추정한다'는 하나의 목표를 위해 정말 다양한 기술적 접근이 존재한다는 것을 깨달았다. 각 기술은 완벽하지 않으며, 정확도, 비용, 연산량, 사용 환경 등 여러 요소를 고려한 트레이드오프(Trade-off) 관계에 놓여 있었다. 예를 들어, 자율주행차는 높은 신뢰도와 장거리 인식이 필수적이므로 고가의 LiDAR를 사용하고, 스마트폰의 얼굴 인식은 단거리의 정밀도가 중요하므로 구조광 방식을 채택하는 식이다. 결국 어떤 어플리케이션을 만들 것인가에 따라 최적의 기술을 선택하고 조합하는 능력이 중요하다는 생각이 들었다.

특히 스테레오 비전의 전체 파이프라인(Rectification → Stereo Matching → Post-Processing) 다이어그램은 인상 깊었다. 단순히 이미지 두 장으로 깊이를 '짠'하고 얻는 것이 아니라, 이미지 왜곡 보정, 매칭 비용 계산, 비용 종합, 후처리 필터링 등 복잡하고 정교한 연산 단계를 거친다는 사실이 흥미로웠다. 이는 3D 컴퓨터 비전 분야가 단순히 최신 딥러닝 모델뿐만 아니라, 전통적인 기하학 및 신호 처리 지식과도 깊게 연관되어 있음을 보여주는 대목이었다. 앞으로 배울 내용들이 이러한 기초 원리 위에서 어떻게 발전해 나갈지 더욱 기대된다.

#패스트캠퍼스 #환급챌린지 #패스트캠퍼스후기

#습관형성 #직장인자기계발 #오공완