완벽하다고 생각했던 사진도 막상 확인하면 구도가 미묘하게 어긋나거나 광각 렌즈 특유의 왜곡으로 피사체의 얼굴이 어색하게 찍히는 경우가 많다. 기존의 편집 도구는 단순한 자르기 기능에 그치며, 촬영 당시 카메라에 담기지 않은 영역까지는 복구할 수 없는 한계가 있었다. 구글은 최근 이러한 문제를 해결하기 위해 구글 포토 내에 'Auto frame' 기능을 선보이며 촬영본과 사용자가 의도한 구도 사이의 간극을 좁히고 있다.

이 기술은 일반적인 2D 사진을 복잡한 3D 공간 데이터로 처리하는 방식을 취한다. 시스템은 이미지 내 피사체의 공간 배치와 기하학적 구조를 분석해 원래의 카메라 위치를 추정한다. 이후 촬영 순간의 디지털 설계도인 3D 포인트 맵을 생성하여, 소프트웨어 상에서 카메라 각도를 옮기거나 초점 거리를 물리적으로 조정한 것과 같은 효과를 만들어낸다.

카메라 각도를 변경하면 당연히 기존에 촬영되지 않았던 배경의 빈 공간이 나타나기 마련이다. 이를 해결하기 위해 구글은 생성형 잠재 확산 모델을 활용한다. 이는 장면의 맥락을 이해하는 숙련된 디지털 화가처럼 작동하며, 렌즈에 포착되지 않은 영역을 자연스럽게 채우는 인페인팅 작업을 수행한다. 결과적으로 원본 피사체는 유지하면서도 훨씬 안정적인 새로운 구도의 이미지가 완성된다.

특히 인물 사진에서 광각 렌즈로 인해 발생하는 얼굴 왜곡 현상을 보정할 때 이 기술이 빛을 발한다. 시스템은 인물의 얼굴 방향을 3D로 파악해 가장 자연스러운 각도로 구도를 재설정하며, 사진의 기하학적 비율을 자동으로 교정한다. 이는 생성형 AI가 단순한 이미지 생성 도구를 넘어, 기존의 시각적 기록을 보다 완벽하게 보존하고 개선하는 방향으로 진화하고 있음을 보여주는 대표적인 사례다.

완벽하다고 생각했던 사진도 막상 확인하면 구도가 미묘하게 어긋나거나 광각 렌즈 특유의 왜곡으로 피사체의 얼굴이 어색하게 찍히는 경우가 많다. 기존의 편집 도구는 단순한 자르기 기능에 그치며, 촬영 당시 카메라에 담기지 않은 영역까지는 복구할 수 없는 한계가 있었다. 구글은 최근 이러한 문제를 해결하기 위해 구글 포토 내에 'Auto frame' 기능을 선보이며 촬영본과 사용자가 의도한 구도 사이의 간극을 좁히고 있다.

이 기술은 일반적인 2D 사진을 복잡한 3D 공간 데이터로 처리하는 방식을 취한다. 시스템은 이미지 내 피사체의 공간 배치와 기하학적 구조를 분석해 원래의 카메라 위치를 추정한다. 이후 촬영 순간의 디지털 설계도인 3D 포인트 맵을 생성하여, 소프트웨어 상에서 카메라 각도를 옮기거나 초점 거리를 물리적으로 조정한 것과 같은 효과를 만들어낸다.

카메라 각도를 변경하면 당연히 기존에 촬영되지 않았던 배경의 빈 공간이 나타나기 마련이다. 이를 해결하기 위해 구글은 생성형 잠재 확산 모델을 활용한다. 이는 장면의 맥락을 이해하는 숙련된 디지털 화가처럼 작동하며, 렌즈에 포착되지 않은 영역을 자연스럽게 채우는 인페인팅 작업을 수행한다. 결과적으로 원본 피사체는 유지하면서도 훨씬 안정적인 새로운 구도의 이미지가 완성된다.

특히 인물 사진에서 광각 렌즈로 인해 발생하는 얼굴 왜곡 현상을 보정할 때 이 기술이 빛을 발한다. 시스템은 인물의 얼굴 방향을 3D로 파악해 가장 자연스러운 각도로 구도를 재설정하며, 사진의 기하학적 비율을 자동으로 교정한다. 이는 생성형 AI가 단순한 이미지 생성 도구를 넘어, 기존의 시각적 기록을 보다 완벽하게 보존하고 개선하는 방향으로 진화하고 있음을 보여주는 대표적인 사례다.