양안 시차는 시각 자극이 왼쪽 눈과 오른쪽 눈의 망막에 투영될 때 나타나는 위치의 약간의 차이를 의미한다. 성인 인간의 경우 두 눈이 약 6.3센티미터의 거리로 수평적으로 분리되어 있기 때문에, 각 눈은 세상을 약간 다른 각도에서 바라본다. 이러한 각도 차이, 즉 시차는 입체시의 기초가 되며, 이는 두 개의 2차원 망막 이미지에서 깊이와 3차원 구조를 인지하는 능력이다. 뇌의 시각 시스템은 두 망막 이미지에서 시차를 계산하여 이를 상대적 깊이에 대한 인식으로 변환하며, 이를 통해 관찰자는 물체의 거리와 장면의 배치를 판단할 수 있다.
이 개념은 인간, 많은 영장류, 그리고 앞을 향한 눈을 가진 다른 동물들에게 존재하는 양안 시각의 기본 요소이다. 양안 시차는 단일 값이 아니라 시야 전반에 걸친 공간적 지도이며, 장면의 각 지점에는 해당하는 시차 값이 있다. 시차의 크기는 거리와 반비례한다. 가까운 물체는 큰 시차를 생성하고, 먼 물체는 작은 시차를 생성한다. 물체를 주시할 때, 그 이미지는 각 눈의 중심와에 맺히며, 그 지점에서 시차는 0이 된다. 주시점보다 가깝거나 먼 물체는 각각 교차 시차 또는 비교차 시차를 생성한다.
시차의 신경 처리
양안 시차의 계산은 일차 시각 피질(V1)에서 시작되며, 여기서 뉴런은 시상의 외측 슬상핵을 통해 양쪽 눈에서 입력을 받는다. 많은 V1 뉴런은 양안성이며 특정 시차에 선택적으로 반응한다. 즉, 자극이 주시점에 대한 특정 깊이에 나타날 때 가장 강하게 발화한다. 이러한 시차 선택적 뉴런은 기둥 구조로 조직되어 있으며, 깊이의 초기 신경 표현을 형성하는 것으로 여겨진다. V1에서 시차 정보는 두 가지 주요 경로를 따라 처리된다. 복측 경로(물체 인식에 관여)와 배측 경로(공간 인식 및 행동 유도에 관여)이다.
중간 측두 영역(MT) 및 내측 상측두 영역(MST)과 같은 더 높은 피질 영역은 시차 신호를 운동 단서와 통합하여 동적 장면에서 깊이 인식을 지원한다. 두 망막 이미지를 결합하는 정확한 신경 알고리즘은 계산 신경과학에서 여전히 활발한 연구 분야이다. 모델은 종종 뇌가 왼쪽과 오른쪽 이미지 사이의 일종의 상호 상관 또는 일치를 수행한다고 제안하지만, 정확한 메커니즘은 여전히 논쟁 중이다.
시차의 유형
시차는 두 가지 주요 유형, 즉 교차 시차와 비교차 시차로 분류할 수 있다. 교차 시차는 물체가 주시점보다 가까울 때 발생하며, 이 경우 왼쪽 눈의 이미지는 오른쪽 눈의 이미지에 비해 오른쪽으로 이동한다. 비교차 시차는 물체가 더 멀리 있을 때 발생하며, 왼쪽 눈의 이미지는 왼쪽으로 이동한다. 이러한 용어는 눈이 가까운 지점이나 먼 지점에 수렴할 때 이미지가 교차하거나 교차하지 않는 것처럼 보이기 때문에 사용된다.
또 다른 구분은 수평 시차와 수직 시차 사이의 구분이다. 수평 시차는 눈의 수평적 분리에서 발생하므로 깊이 인식의 주요 단서이다. 수직 시차는 일반적으로 작으며 눈의 수직적 정렬 불일치 또는 측면에서 물체를 볼 때 발생한다. 이는 망막 대응점에 투영되는 공간의 점들의 궤적인 호롭터의 방향을 결정하는 역할을 한다.
깊이 인식 및 3D 시각에서의 역할
양안 시차는 시각 시스템이 사용하는 여러 깊이 단서 중 하나로, 원근, 음영, 운동 시차와 같은 단안 단서와 함께 작용한다. 그러나 이는 강력하고 정밀한 단서로, 미세한 깊이 변별을 가능하게 한다. 입체 시력으로 알려진 가장 작은 감지 가능한 시차는 일반적으로 정상 시력을 가진 인간에서 약 5~10초각이며, 이는 놀라울 정도로 미세하다. 이는 1미터 거리에서 수 밀리미터의 깊이 차이를 감지하는 것과 같다.
시차로부터의 깊이 인식은 자동적이지 않으며, 뇌가 대응 문제를 해결해야 한다. 즉, 왼쪽 눈 이미지의 각 지점을 오른쪽 눈 이미지의 해당 지점과 일치시키는 것이다. 이는 특히 균일한 질감 영역이나 반복적인 패턴이 있는 영역에서 계산적으로 어려운 작업이다. 뇌는 고유성(각 지점은 최대 하나의 다른 지점과 일치함) 및 연속성(시차는 표면에 걸쳐 부드럽게 변함)과 같은 제약 조건을 사용하여 모호성을 해결한다.
기술 응용
양안 시차의 원리는 다양한 기술에 적용된다. 로봇 공학 및 자율 주행 차량에 사용되는 스테레오 카메라와 깊이 센서는 약간 다른 시점에서 촬영된 두 이미지에서 깊이를 추정하기 위해 두 눈의 배열을 모방한다. 예를 들어, Waymo와 Tesla의 Autopilot은 안전한 주행을 위해 환경의 3차원 구조를 인지하는 스테레오 비전 시스템을 사용한다. 컴퓨터 비전에서 스테레오 매칭 알고리즘은 이미지 쌍에서 깊이 맵을 생성하는 데 사용되며, 이 작업은 딥러닝 기술에 의해 크게 개선되었다.
양안 시차는 또한 각 눈에 약간 다른 이미지를 제시하여 깊이의 착각을 만드는 입체 3D 디스플레이의 기초이다. 이 기술은 3D 영화, 가상 현실 헤드셋, 증강 현실 시스템에 사용된다. 인공지능 연구에서 뇌가 시차를 처리하는 방식을 이해하는 것은 시각 인식 모델에 영감을 주었으며, 깊이 추정 및 장면 이해와 같은 작업에서 머신러닝 시스템의 성능을 평가하는 데 사용되었다.
다른 시각 단서와의 관계
양안 시차는 단독으로 작동하지 않으며, 다른 깊이 단서와 통합되어 일관된 공간 인식을 생성한다. 시각 시스템은 시차를 조절(렌즈의 초점 조절), 수렴(눈의 안쪽 회전), 그리고 질감 경사 및 폐색과 같은 단안 단서와 결합한다. 많은 상황에서 이러한 단서는 일관되지만, 입체 디스플레이에서 수렴과 조절이 불일치하여 시각적 불편감이나 피로를 유발하는 경우처럼 충돌할 수 있다.
연구에 따르면 뇌는 단서를 동적으로 가중치를 부여하며, 주어진 맥락에서 가장 신뢰할 수 있는 단서에 더 많은 가중치를 부여한다. 이러한 베이즈 유사 통합은 지각 심리학의 핵심 연구 분야이다. 시차가 다른 단서와 어떻게 상호 작용하는지 이해하는 것은 효과적인 3D 디스플레이를 설계하고 실제 환경에서 깊이를 견고하게 인지할 수 있는 AI 시스템을 개발하는 데 중요하다.
같이 보기
- 입체시
- 깊이 인식
- 컴퓨터 비전
- 시각 피질
참고 문헌
- Howard, I. P., & Rogers, B. J. (2002). Seeing in Depth. Oxford University Press.
- Parker, A. J. (2007). Binocular depth perception and the cerebral cortex. Nature Reviews Neuroscience.
- Qian, N. (1997). Binocular disparity and the perception of depth. Neuron.