스카치 테이프 하나로 카메라 렌즈를 대체하는 방법: Computational Imaging의 세계

최근 Hacker News를 보다가 눈길을 끄는 제목을 발견했습니다. “How to take a photo with scotch tape”. 수천 달러짜리 렌즈를 사 모으는 카메라 애호가들이라면 기절초풍할 소리지만, 엔지니어링 관점에서 이 ‘장난감 같은 실험’은 현대 이미징 기술의 핵심을 꿰뚫고 있습니다.

오늘은 이 영상이 보여주는 Lensless Imaging(렌즈리스 이미징) 의 원리와, 이것이 왜 단순한 눈요기 이상의 기술적 가치를 지니는지 Principal Engineer의 시선에서 뜯어보겠습니다.

렌즈가 없는데 어떻게 상이 맺히나?

우리가 흔히 쓰는 카메라는 렌즈를 통해 빛을 굴절시켜 센서의 특정 픽셀에 1:1로 매핑합니다. 핀포인트에서 출발한 빛이 센서의 한 점에 모여야 선명한 이미지가 되죠. 초점이 안 맞으면 흐릿해지는 이유입니다.

그런데 영상에서처럼 센서 앞에 스카치 테이프를 붙이면 어떻게 될까요? 테이프의 불규칙한 표면 때문에 빛이 난반사(Scattering)됩니다. 센서에 들어오는 데이터는 이미지가 아니라, 마치 TV 노이즈 같은 뿌연 Speckle Pattern 이 됩니다. 육안으로 보면 그냥 쓰레기 데이터(Garbage Data)처럼 보이죠.

하지만 이 ‘쓰레기’ 안에는 원본 이미지의 정보가 암호화되어 들어 있습니다. 바로 여기서 Computational Photography 의 마법이 시작됩니다.

핵심은 PSF (Point Spread Function)

이 기술의 핵심은 Convolution(합성곱) 입니다. 수학적으로 이미징 프로세스는 다음과 같이 표현됩니다.

Captured Image = Original Scene * PSF + Noise

여기서 *는 Convolution 연산이고, PSF(Point Spread Function) 는 점 광원 하나가 센서에 어떻게 퍼지는지를 나타내는 함수입니다. 일반 렌즈의 PSF는 아주 작은 점(Delta function에 가까움)이지만, 스카치 테이프의 PSF는 복잡한 구름 모양의 패턴입니다.

엔지니어링 접근법: 역문제(Inverse Problem) 풀기

우리가 찍은 사진(Captured Image)은 엉망이지만, 우리가 PSF 를 정확히 알고 있다면? 수학적으로 거꾸로 연산하여 Original Scene 을 복원할 수 있습니다. 이를 Deconvolution 이라고 합니다.

  1. Calibration: 먼저 작은 점 광원(LED 등)을 찍어서 스카치 테이프 특유의 빛 번짐 패턴(PSF)을 기록합니다. 이 패턴은 테이프를 떼지 않는 한 고정값(Time-invariant)입니다.
  2. Reconstruction: 실제 피사체를 찍은 뒤, 기록해둔 PSF와 Cross-correlation(상호상관)을 돌리거나, 주파수 도메인(Fourier Transform)으로 변환하여 나눗셈 연산을 수행합니다.

결국 하드웨어(렌즈)가 해야 할 일을 소프트웨어(알고리즘)가 대신 처리하는 셈입니다. 이것이 바로 최근 스마트폰 카메라들이 물리적 센서 크기의 한계를 극복하는 방식이기도 합니다.

나의 생각: Hardware vs Software의 줄다리기

솔직히 처음 이 개념을 접했을 때는 “굳이 왜?”라는 생각이 들었습니다. 핀홀(Pinhole) 카메라만 해도 충분히 간단한데, 굳이 복잡한 연산까지 해가며 테이프를 써야 하나 싶었죠. 하지만 15년 넘게 시스템 설계를 해오다 보니 이 접근 방식이 주는 통찰이 보입니다.

  • Cost Shifting: 고정밀 광학 유리는 비쌉니다. 반면 컴퓨팅 파워는 점점 싸지고 있죠. 하드웨어 비용을 소프트웨어 복잡도로 전가하는 것은 현대 Tech 업계의 거대한 트렌드입니다.
  • 응용 가능성: 가시광선 영역에서는 장난감 같지만, 렌즈를 만들기 어려운 X-ray 나 Gamma-ray 이미징, 혹은 렌즈를 넣을 공간이 없는 초소형 내시경 분야에서는 이 ‘Coded Aperture’ 방식이 필수적입니다.

Hacker News의 댓글 반응은 다소 조용하거나 농담(Scotch tape니까 스코틀랜드 드립 등) 위주였지만, 이 실험이 내포한 ‘Hacker Spirit’—주변의 사물로 고도의 기술적 원리를 구현하는 태도—는 높이 살만합니다.

결론 (Verdict)

이 기술이 당장 여러분의 DSLR을 대체할까요? 절대 아닙니다. 빛의 효율(Light Efficiency)도 떨어지고, 노이즈에 매우 취약하며, 실시간 처리에 리소스도 많이 듭니다.

하지만 Signal Processing 이나 Deep Learning 기반의 이미지 복원을 공부하는 주니어 엔지니어라면, 이보다 더 좋은 실습 프로젝트는 없을 겁니다. OpenCV 몇 줄로 ‘쓰레기 데이터’에서 ‘형체’를 끌어내는 경험은, 단순히 API를 호출하는 것과는 차원이 다른 엔지니어링 카타르시스를 줍니다.

참고 링크: