라떼군 이야기
고전 미디어는 어떻게 완벽한 색을 되찾았을까? Seed of Might 색보정 파이프라인 파헤치기
TL;DR Seed of Might(SoM) 프로젝트의 2023년 색보정 프로세스는 고전 영상 복원에 있어 자동화 스크립트와 정교한 수동 디테일의 완벽한 조화를 보여줍니다. 원본 셀(Cel) 데이터를 레퍼런스로 활용한 수학적 컬러 매핑과 프레임 단위의 하이브리드 워크플로우는 영상 처리 엔지니어링의 훌륭한 모범 사례입니다.
과거 아날로그 필름으로 제작된 영상이나 애니메이션을 디지털로 변환할 때, 세월에 의한 색 바램이나 잘못된 텔레시네(Telecine) 과정으로 인해 원본의 색을 잃어버리는 경우가 많습니다. ‘Seed of Might’ 프로젝트는 이러한 문제를 해결하고 가장 원작에 가까운 색감을 구현하기 위해 집요하고 체계적인 색보정(Color Correction) 프로세스를 구축했습니다. 이 문서는 그들이 2023년 기준으로 확립한 색보정 파이프라인을 상세히 담고 있으며, 대용량 미디어 처리에 관심 있는 개발자와 영상 아티스트라면 반드시 주목해야 할 기술적 통찰을 제공합니다.
핵심 내용
이 파이프라인은 단순히 ‘보기 좋은 색’을 만드는 것이 아니라, 체계적인 접근을 통해 ‘정확한 색’을 복원하는 데 집중합니다. 첫째, 왜곡된 블랙/화이트 레벨을 재조정하고 특정 색상으로 편향된 틴트(Tint)를 제거하는 기초 평탄화 작업을 수행합니다. 둘째, 실제 제작에 사용된 원본 셀(Cel) 스캔본을 그라운드 트루스(Ground Truth)로 삼아 씬(Scene) 단위로 정확한 컬러 매핑을 진행합니다. 셋째, 원본 필름의 그레인(Grain)을 보존하면서도 디지털 노이즈를 억제하여 인코딩 효율을 높이는 최적화 기법을 적용합니다. 마지막으로 방대한 분량의 프레임을 처리하기 위해 VapourSynth/AviSynth 기반의 스크립트 자동화와 작업자의 수동 검수를 결합한 워크플로우를 제시합니다.
기술적 인사이트
소프트웨어 엔지니어링 관점에서 이 프로세스의 가장 큰 통찰은 ‘자동화의 한계 인정과 휴먼 인 더 루프(Human-in-the-loop)의 영리한 설계’에 있습니다. 영상 전체에 일괄적인 LUT(Look-Up Table)나 단순 AI 필터를 적용하는 기존 방식은 씬마다 달라지는 조명 조건이나 열화 상태를 감당하지 못해 품질 저하를 일으킵니다. SoM 팀은 이를 해결하기 위해 스크립트 언어로 반복 가능한 데이터 파이프라인을 구축하면서도, 엣지 케이스(Edge case)에 대해서는 작업자가 미세 조정할 수 있는 유연한 노드(Node) 구조를 만들었습니다. 이는 처리 속도(Throughput)와 결과물의 품질(Quality) 사이의 트레이드오프를 어떻게 극복할 수 있는지 보여주는 훌륭한 아키텍처 설계입니다.
시사점
이 워크플로우는 비단 영상 복원뿐만 아니라, 대규모 이미지/비디오 데이터셋을 전처리해야 하는 컴퓨터 비전 및 머신러닝 실무자들에게도 큰 시사점을 줍니다. 도메인 지식을 바탕으로 명확한 기준점(Reference)을 설정하고, 이를 바탕으로 노이즈를 일관되게 제거하는 방식은 AI 모델 학습용 데이터 정제 과정과 정확히 일치합니다. 실무자들은 이들의 접근법을 참고하여 대용량 데이터 처리 시스템에서 자동화 스크립트와 수동 QA(Quality Assurance) 과정을 어떻게 효율적으로 통합할지 아이디어를 얻을 수 있습니다.
궁극적으로 기술은 예술의 원래 의도를 복원하고 보존하는 가장 강력한 도구입니다. 앞으로 AI 기반의 색상 복원 및 업스케일링 기술이 더욱 고도화됨에 따라, 이러한 장인정신이 깃든 수동 파이프라인이 AI와 어떻게 결합하여 새로운 미디어 보존의 표준을 만들어갈지 지켜보는 것은 매우 흥미로울 것입니다.