피사계 심도(DoF)는 장면에서 가장 가까운 물체와 가장 먼 물체 사이의 거리로, 이미지에서 허용 가능할 정도로 선명하게 보이는 범위를 의미합니다. 사진 및 영화 촬영에서 이는 조리개 크기, 초점 거리, 피사체 거리에 의해 제어됩니다. 얕은 피사계 심도는 전경과 배경을 흐리게 하여 피사체를 고립시키는 반면, 깊은 피사계 심도는 장면의 대부분을 초점이 맞은 상태로 유지합니다. Generative AI 이미지 및 비디오 생성 맥락에서 피사계 심도는 프롬프트 작성자가 전통적인 카메라 광학을 모방하여 합성 이미지에 사실감, 초점, 서사적 강조를 더하기 위해 호출하는 핵심 시각적 스타일 매개변수입니다.
이 개념은 초기 사진술에서 기원했으며 수십 년간의 광학 공학을 통해 정제되었습니다. 19세기에는 필름 감도가 낮았기 때문에 사진가들은 깊은 초점을 얻기 위해 작은 조리개와 긴 노출을 사용했습니다. 20세기 초에는 더 빠른 렌즈와 필름이 얕은 피사계 심도를 가능하게 했고, 초상화 사진가들에 의해 대중화되었습니다. 영화에서는 오슨 웰스와 그레그 톨랜드 같은 감독들이 시민 케인(1941)에서 깊은 초점을 사용하여 복잡한 장면을 연출했으며, 다른 감독들은 심리적 효과를 위해 얕은 초점을 사용했습니다. 이러한 기법들은 기초적인 시각 언어가 되었고, 이후 디지털 아티스트와 AI 모델에 채택되었습니다.
시각적 특성
피사계 심도는 여러 뚜렷한 시각적 단서로 나타납니다. 가장 분명한 것은 초점이 벗어난 영역의 흐림 또는 보케(bokeh)로, 이는 크림색, 원형, 또는 렌즈 조리개 날에 의해 형성된 모양일 수 있습니다. 선명한 부분에서 흐린 부분으로의 전환은 렌즈와 조리개에 따라 점진적이거나 급격할 수 있습니다. 전경 흐림은 광학 물리학 때문에 배경 흐림보다 더 크고 부드럽게 보이는 경우가 많습니다. AI 생성 이미지에서는 이러한 특성이 방대한 사진 데이터 세트로 훈련된 Neural network 모델에 의해 시뮬레이션되어 사실적인 보케, 렌즈 플레어, 초점 감쇠를 재현할 수 있습니다. 프롬프트 작성자는 "얕은 피사계 심도", "보케", "배경 흐림", 또는 "f/1.8" 같은 용어를 지정하여 이러한 효과를 유발합니다.
AI 이미지 생성에서의 역할
Artificial intelligence 이미지 합성에서 피사계 심도는 물리적 속성이 아니라 학습된 시각적 패턴입니다. 확산 기반 시스템과 U-Net 아키텍처 같은 모델은 텍스트-이미지 쌍 데이터로 훈련되어 텍스트 설명자와 시각적 결과 사이의 연관성을 학습합니다. 프롬프트에 "피사계 심도"가 포함되면 모델은 잠재 표현을 조정하여 선택적 초점이 있는 이미지를 생성합니다. 이는 NYU Depth V2 또는 Inverse depth parametrization 같은 모델이 3D 재구성에 사용되는 명시적 깊이 추정과는 구별됩니다. 프롬프트 기반 생성에서 DoF는 기하학적 계산이 아닌 스타일적 선택입니다.
프롬프트 기법
피사계 심도를 위한 효과적인 프롬프팅은 기술 용어와 설명적 맥락을 결합하는 것을 포함합니다. 일반적인 키워드로는 "얕은 피사계 심도", "깊은 피사계 심도", "매크로 촬영", "배경이 흐린 초상화", "f/2.8", "85mm 렌즈", "보케"가 있습니다. 피사체와 장면 세부 사항을 추가하면 모델이 초점을 우선시하는 데 도움이 됩니다. 예를 들어, "얕은 피사계 심도, 배경 보케가 있는 여성 초상화"는 피사체에 초점을 맞춘 이미지를 생성합니다. 반대로, "깊은 피사계 심도, 모든 것이 선명한 풍경"은 광각의 선명함을 생성합니다. 일부 모델은 조리개 값이나 렌즈 이름에 반응하지만 결과는 다양합니다. 프롬프트 작성자는 종종 출력을 기반으로 용어를 다듬으며 반복하는데, 이는 모델 훈련의 Curriculum Learning과 유사한 과정입니다.
주요 실무자 및 모델
여러 AI 연구 그룹이 피사계 심도 합성을 발전시켰습니다. OpenAI의 DALL-E와 Sora, Google DeepMind의 Imagen, Anthropic의 Claude(통합을 통한 텍스트-이미지용)는 높은 충실도의 DoF 렌더링을 입증했습니다. Stability AI(목록에 없지만 암시됨)와 Midjourney(목록에 없음)는 커뮤니티에서 선호되지만 여기에는 나열되지 않았습니다. BAIR (Berkeley AI Research)와 Stanford AI Lab의 학술 작업은 생성 모델에서 제어 가능한 초점을 탐구했습니다. 비디오에서 Sony AI와 NVIDIA(목록에 없음)는 깊이 인식 생성을 연구했습니다. 이러한 시스템은 Transformer (architecture) 아키텍처와 Cross-Attention 메커니즘을 활용하여 텍스트 프롬프트를 공간적 특징과 정렬함으로써 정밀한 초점 제어를 가능하게 합니다.
기술적 기반
AI 모델의 피사계 심도는 종종 암시적으로 학습되지만, 일부 시스템은 명시적 깊이 맵을 통합합니다. 예를 들어, Neural radiance field (NeRF)(Neural Radiance Fields)는 카메라 광학을 시뮬레이션하여 사실적인 DoF로 장면을 렌더링할 수 있습니다. Inverse depth parametrization은 3D 재구성에서 깊이를 역으로 표현하여 초점 시뮬레이션을 돕는 데 사용됩니다. NYU Depth V2 같은 데이터 세트는 훈련을 위한 기준 깊이를 제공하여 모델이 공간 관계를 이해하도록 돕습니다. 이러한 기술적 요소는 의미론적 이해에 의존하는 프롬프트 기반 DoF와는 구별됩니다. 그러나 혼합 접근 방식은 깊이 맵을 사용하여 확산 모델을 안내함으로써 프레임 전반에 걸쳐 일관된 초점을 생성합니다.
과제 및 한계
AI 생성 피사계 심도는 항상 물리적으로 정확하지는 않습니다. 모델은 특히 여러 피사체나 반사 표면이 있는 복잡한 장면에서 일관되지 않은 흐림을 생성할 수 있습니다. 과도한 DoF는 이미지를 인공적으로 보이게 할 수 있으며, 약한 DoF는 피사체를 고립시키지 못할 수 있습니다. 프롬프트 작성자는 구체성과 유연성 사이의 균형을 맞춰야 하며, 지나치게 세부적인 프롬프트는 모델을 혼란시킬 수 있습니다. 또한 비디오 생성은 프레임 사이에서 초점이 갑자기 이동하는 시간적 일관성 문제에 직면합니다. MIT CSAIL과 University of Oxford의 연구는 시간적 주의 메커니즘과 깊이 조건부 생성을 통해 이러한 과제를 해결했습니다.
미래 방향
생성 모델이 진화함에 따라 피사계 심도 제어는 더 직관적이 되고 있습니다. 최신 모델은 원치 않는 흐림을 줄이기 위한 부정적 프롬프트를 지원하며, 일부는 영역 기반 초점 편집을 허용합니다. Large language model 추론의 통합은 "크림색 보케가 있는 초상화" 같은 더 추상적인 프롬프트를 올바르게 해석할 수 있게 합니다. Apple, Samsung Electronics, Qualcomm 같은 기업은 온디바이스 생성을 최적화하여 모바일에서 DoF 제어에 접근할 수 있게 하고 있습니다. 영화 제작과 가상 프로덕션에서 Generative AI의 부상은 피사계 심도가 전통적인 광학과 신경 합성을 연결하는 중요한 미적 도구로 남을 것임을 시사합니다.
결론
피사계 심도는 아날로그 사진에서 디지털 예술과 AI 생성으로 전환된 근본적인 시각 개념입니다. 선택적 초점, 보케, 깊이 단서 같은 시각적 특성은 스토리텔링과 사실감에 필수적입니다. AI 프롬프트에서 이는 물리적 장비 없이도 전문 카메라 작업을 모방할 수 있게 하는 강력한 스타일적 레버입니다. 모델이 개선됨에 따라 시뮬레이션된 광학과 실제 광학 사이의 경계는 계속 흐려지고 있지만, 피사계 심도 뒤의 예술적 의도는 변하지 않습니다: 관객의 시선을 유도하고 감정적 반응을 형성하는 것입니다.