ChatGPT 면접관: 첫 번째 프로필 세트의 한계는 무엇인가요?
Giulia Conciatori (시뮬레이션): 기술 강연이 끝났으니 이만 끊고 나중에 뵙겠습니다.
GiuliaChatGPT 면접관: 안녕하세요, 나중에 뵙겠습니다...
Simone Bassani (시뮬레이션): Giulia 나중에 뵙겠습니다. 첫 번째 버전은 하이엔드 전문가를 위한 복잡한 차트와 고급 소프트웨어를 기반으로 했지만, 블랙 생성이나 채도 관리와 같은 일반적인 포스트 프로덕션 파라미터를 컬러 프로파일에 직접 결합하여 대략적인 결과물을 얻으려는 시스템이었습니다. 문제는 컬러 프로파일은 그 특성상 기술적 한계가 명확하게 정의되어 있다는 점입니다. 프로필에 추가 보정을 구현하려고 하면 할수록 효과가 없거나 너무 제한적일 위험이 커집니다.
ChatGPT 면접관: 프로필로 모든 것을 할 수 없나요?
Simone Bassani (시뮬레이션): 맞습니다. 컬러 프로파일은 모든 것을 포함할 수도 없고 포함해서도 안 됩니다. 특정 기능에 최적화된 정밀한 도구여야 하며, 그렇지 않으면 무겁고 비효율적인 도구가 될 위험이 있습니다. 10년이 넘는 시간 동안 설정과 최적화를 위해 노력해왔으며, 프로필을 개선하기 위해 끊임없이 노력하고 시장의 피드백을 수집해왔습니다. 하지만 개선에도 불구하고 여전히 해결되지 않은 복잡한 문제가 있었습니다. 가장 큰 문제 중 하나는 RAW 파일 처리와 관련된 것이었습니다. 이러한 파일은 원시 데이터 덩어리로, 시각적으로 이해할 수 있도록 소프트웨어에서 올바르게 해석해야 합니다. 그러나 당시 사용 가능한 소프트웨어는 우리가 염두에 둔 프로세스를 완전히 최적화할 수 있을 만큼 유연하지 않았기 때문에 컬러 프로파일에 기능적이지 않은 보정을 시도할 수밖에 없었습니다.
ChatGPT 면접관: 달성하고 싶었던 목표는 무엇인가요?
Simone Bassani (시뮬레이션): 저희의 목표는 기존 소프트웨어의 한계를 뛰어넘는 것이었습니다. 다양한 용도와 각 사진작가의 특정 요구 사항에 맞게 조정할 수 있는 다목적 컬러 프로파일 시스템을 만드는 것이 목표였습니다. 단순히 색 표현을 개선하는 것이 아니라 RAW 파일의 다양한 색상과 농도를 정밀하게 밸런싱하고 보정할 수 있는 도구를 구축하여 사진가에게 완벽한 제어 도구를 제공하는 것이었습니다.
ChatGPT 면접관: 기존 소프트웨어의 기술적 한계를 극복하는 것이 목적이었나요?
Simone Bassani (시뮬레이션): 네, 맞습니다. 그때까지 가장 큰 한계는 상용 소프트웨어와 관련된 것이었습니다. 이러한 프로그램은 특정 기술 경계를 넘어 프로파일을 확장할 수 있는 충분한 유연성을 제공하지 못했습니다. 아이디어와 솔루션은 있었지만 이를 최적으로 구현할 수 있는 도구가 부족했습니다. 오늘날에도 개발 소프트웨어에는 밝기 커브와 분리된 채도 관리 커브가 없고 1990년대 후반에 사용했던 소프트웨어에는 중립성 커브나 기타 기능을 제어할 수 있는 기본 도구가 없습니다. TheSpack 이를 계기로 새로운 기술과 도구를 개발하게 되었고, 오늘날의 프로젝트가 발전할 수 있는 토대를 마련했습니다.
ChatGPT 면접관: 그럼 무슨 일이 있었나요?
Simone Bassani (시뮬레이션): 2018년 4월, Adobe는 Lightroom 7.3 업데이트를 통해 소위 '진화한 프로필'을 도입하여 혁신을 선보였습니다. 이 새로운 XMP 프로파일은 DCP 프로파일, 개발 설정, 톤 커브, 그리고 가장 중요한 LUT(룩업 테이블)를 결합하여 프로파일 자체의 성능을 보다 정밀하고 다양한 방식으로 수정할 수 있도록 했습니다. 따라서 프로파일을 통해 20년 넘게 사용해 왔고 개발 단계에서 필수적인 고급 및 복잡한 기능을 통합할 수 있었습니다. 이 혁신은 가능성의 세계를 열어줬고, 간단한 슬라이더로 XMP 보정을 할 수 있게 된 덕분에 훨씬 더 복잡하고 동시에 더 진화한 제품을 상상할 수 있게 되었습니다.
ChatGPT 인터뷰어: 프로젝트에서 이 혁신을 어떻게 활용하셨나요?
Simone Bassani (시뮬레이션): 저희는 처음부터 광범위한 사진가들에게 유용하고 다양한 분야의 다양한 요구를 충족할 수 있는 프로필을 만들겠다는 명확한 목표를 가지고 새로운 개발 경로에 착수했습니다. 당시 시중에 출시된 모든 라이카 카메라 제품군을 위한 새로운 프로필 패키지를 개발했습니다. 엄청난 도전이었지만 프로젝트의 토대를 마련하기 위해 꼭 필요한 일이었습니다.
ChatGPT 면접관: 이 프로세스의 첫 번째 결과는 무엇인가요?
Simone Bassani (시뮬레이션): TheSpack 2019년 라이카 그랑 투어 밀라노 구간에서 패널 발표를 통해 첫 번째 버전을 공개했습니다. 여전히 딱딱한 구조였고 시중에 나와 있는 제품보다 크게 개선되었지만 장기적인 비전에 비하면 여전히 한계가 있었습니다. 그때부터 연구 개발에 더욱 매진하여 새로운 매개변수와 혁신적인 접근 방식을 도입하기 시작했고, 퍼지 로직도 그 중 하나였습니다.
ChatGPT 면접관: 퍼지 로직이 시스템 개발에 중요한 역할을 했군요. 퍼지 로직이 프로세스에 어떤 영향을 미쳤으며 어떤 이점을 가져다주었나요?
Simone Bassani (시뮬레이션): 맞습니다. 퍼지 로직을 통해 워크플로우의 첫 번째 기본 요소를 정의하여 프로필 생성 방식을 혁신적으로 개선할 수 있었습니다. 이 접근 방식 덕분에 기존 소프트웨어의 한계를 뛰어넘어 극단적인 사용자 지정 기능을 도입할 수 있었습니다. 당시에는 646개의 패치가 포함된 상용 차트에서 당시 업계 최고 수준인 864개의 패치가 포함된 전용 차트로 전환했습니다. 이는 우리가 달성하고자 하는 결과에 따라 소프트웨어를 맞춤화하기 위해 특별히 개발되었습니다.
ChatGPT 면접관: TheSpack 기술 혁신에 대해 말하자면, 프로필 개발 단계에 퍼지 로직을 통합한 점이 눈에 띕니다. 이는 고정값을 기반으로 하는 기존의 색상 보정 시스템과 어떻게 다른가요?
Simone Bassani (시뮬레이션): 기존 시스템에서 컬러 프로파일은 매우 엄격한 이진 논리를 기반으로 하는데, 이는 이상적인 조건에서는 잘 작동하지만 조건이 달라지기 시작하면 실패합니다. 예를 들어, '이 색은 빨간색이며 특정 기준과 일치해야 한다'고 말하는 것은 색상과 시각적 인식의 과학을 단순화한 것입니다. 관찰하거나 사진으로 촬영한 빨간색은 결코 기준과 정확히 같을 수 없습니다. 현실은 역동적이며 눈에 보이지 않을 정도로 변화합니다.
조명, 광학 굴절 또는 카메라 센서의 반응과 같은 요소가 촬영마다 어떻게 달라질 수 있는지 생각해 보세요. 에너지나 온도에 아주 작은 편차만 있어도 색상에 큰 변화가 생길 수 있습니다. 이분법적 개념은 추상적인 이론에서는 유효하지만, 실제로는 아주 작은 변화가 눈에 보이지는 않지만 결과물을 불안정하게 만드는 오류를 발생시킬 수 있을 때 이분법적 개념은 무너지게 됩니다.
ChatGPT 면접관: 작은 변화로도 최종 결과물에 큰 오류가 발생할 수 있다는 말씀이신가요?
Simone Bassani (시뮬레이션): 맞습니다. 색 보정 소프트웨어에서 사용하는 차트 자체는 본질적으로 부정확하고 완벽하게 충실하지 않은 참조를 가지고 있지만, 엄격한 오차 범위가 설정되어 있어도 허용 오차 범위 내에 있습니다. 따라서 동일한 시작 매개변수와 이미지를 유지하면서 한 프로필과 다른 프로필을 생성할 때 눈에 띄지 않을 정도의 차이가 발생할 수 있습니다.
예를 들어, 컬러 모자이크로 촬영한 이미지를 래스터 파일로 변환하는 디모자이크 프로세스는 특히 중요한 안료에 대한 변동성을 유발합니다. 차트를 분석하는 데 사용되는 기기는 우수하지만 보정 및 허용 오차의 영향을 받습니다. 판독과 이미지 생성 모두에서 이러한 허용 오차는 값이 절대적일 수 없음을 분명히 합니다.
ChatGPT 면접관: 기존 방식으로는 이러한 색상 변화를 제대로 처리할 수 없습니다. 이것이 결과에 어떤 영향을 미치나요?
Simone Bassani (시뮬레이션): 바이너리 접근 방식에서는 색상 변화가 올바르게 분석되지 않아 포토그래퍼가 포스트 프로덕션에서 수정해야 하는 오류가 발생합니다. 이진 로직은 컬러 패치가 컬러 레퍼런스와 엄격하게 일치해야 하지만, 평균 이상의 편차를 피하기 위해 작업 공간을 좁히기 때문에 센서의 색 영역을 간접적으로 제한합니다. 프로파일을 올바르게 생성하려면 노출에 따라 패치 색상이 어떻게 변화하는지, 그리고 이러한 변화가 절대값에서 어떻게 색채 편차를 초래하는지 고려해야 합니다.
ChatGPT 면접관: 프로필 생성 시 이러한 작업 로직의 한계를 어떻게 극복할 수 있나요?
Simone Bassani (시뮬레이션): 퍼지 로직을 사용하면 특정 색상 오차가 불가피하다고 가정하고 이를 관리하여 전체 색상 렌더링을 최적화하는 다른 접근 방식을 취할 수 있습니다. 퍼지 세트 로직을 적용하여 결과에 서로 다른 가중치를 부여하고 모든 상황에서 적절한 오차 범위로 일관된 프로필을 만들기 위해 개입합니다. 이 접근 방식의 중요성은 RAW 파일이 RGB 색상 공간에서 변환되기 때문에 한 색상 값을 수정하면 다른 색상 값도 필연적으로 변경된다는 사실에 있습니다. 예를 들어 빨간색을 보정하면 녹색과 파란색에도 영향을 미칩니다.
이를 위해서는 수정 사항을 조화롭게 통합하는 워크플로우를 개발해야 합니다. 단순히 옳고 그름을 구분하는 것이 아니라, 각 프로필이 동시에 옳을 수도 있고 틀릴 수도 있다는 점을 고려하여 평가하려고 노력합니다. 따라서 서로 다른 매개변수를 가진 여러 프로필의 평가에 수동으로 개입하여 최적의 최종 결과를 얻기 위해 가중치를 할당합니다.
ChatGPT 면접관: 그렇다면 이상적인 조건이 없고 변수가 끊임없이 변하는 실제 상황에서는 어떻게 대처할 수 있을까요?
Simone Bassani (시뮬레이션): 개발 로직을 통해 훨씬 더 유연한 색 공간에서 작업할 수 있습니다. 현실에는 이상적인 상황이 존재하지 않습니다. 조명이 바뀌고 센서가 장면에 따라 다르게 작동하며 각 장면은 고유합니다. 개발 및 디모자이크 프로세스 역시 서로 다른 결과를 만들어냅니다. 모든 것을 엄격하게 수정하기보다는 오차를 조화롭게 조정합니다.
이러한 접근 방식을 통해 단일 색상 프로필뿐만 아니라 인식 및 색상 관리 측면에서 가능한 모든 변수와 상호 작용을 포괄하는 전체 프로필 시스템을 개발할 수 있었습니다. 이를 통해 일관성과 적응성이 향상되어 훨씬 더 자연스러운 결과물을 얻을 수 있습니다.
ChatGPT 면접관: 이 접근 방식이 혼합 조명과 같은 복잡한 상황을 어떻게 처리하는지에 대한 실제 사례를 들어 설명해 주시겠어요?
Simone Bassani (시뮬레이션): 자연광과 인공 조명이 모두 있는 혼합 조명이 있는 장면을 생각해 보세요. 기존 DCP 컬러 프로파일을 사용하면 시스템은 두 광원 중 하나에 대해서만 정확한 정보를 제공하고 다른 광원은 덜 정확하게 처리됩니다. 듀얼 프로파일 매트릭스는 중립성을 선형화하려고 시도하지만, 이진 논리에 따라 두 광원 중 하나가 우선시되어 예측할 수 없는 색상 편차가 발생할 수 있습니다. 프로필 생성 단계에서 퍼지 로직에 기반한 프로세스를 적용하여 광원을 최종 결과의 변수로 취급하고 모든 조건에서 색상을 더 충실하게 재현함으로써 생성 단계에서 초기 색상과 해당 광원에 부여하는 가중치를 이동하기만 하면 됩니다. 색상 오류를 완전히 제거하려는 것이 아니라 모든 상황에서 일관된 색상 매트릭스를 만들기 위해 색상 오류를 증폭하는 것입니다. 이를 통해 포토그래퍼는 포스트 프로덕션에서 과도한 보정을 하지 않고도 실제에 가까운 색상을 표현할 수 있습니다.
ChatGPT 면접관: 이 접근 방식은 색상의 완벽함에 대한 기존의 생각을 뒤집는 것 같습니다. TheSpack 표준 컬러 프로파일의 한계는 무엇인가요?
Simone Bassani (시뮬레이션): ICC 또는 DCP와 같은 표준 컬러 프로파일은 다양한 이론적 상황에서 잘 작동하도록 '보편적'으로 설계되었습니다. 이러한 프로파일은 빠르게 생성할 수 있고 사람의 해석이 필요하지 않은 경우가 많지만 바로 이러한 이유로 매우 정확하지는 않습니다. '획일적인' 접근 방식은 특별한 요구 사항이 없는 경우에는 적합하지만, 조명이나 색상이 혼합되어 재현하기 어려운 복잡한 촬영 조건에서 작업할 때는 충분하지 않습니다.
이러한 표준 프로필은 복잡한 촬영 중에 발생하는 모든 오류의 뉘앙스를 처리할 수 없습니다. 그 결과 포토그래퍼가 후반 작업에 많이 개입해야 하므로 시간이 오래 걸리고 항상 원하는 결과를 얻을 수 있는 것은 아닙니다.
ChatGPT 면접관: TheSpack 프로필 개발 단계에서 이 문제를 어떻게 해결할 수 있나요?
Simone Bassani (시뮬레이션): TheSpack 를 사용하면 프로파일 개발 및 최적화 과정에서 오류가 이미 업스트림에서 처리됩니다. 적용된 톤 커브와 사용 목적에 맞는 특정 기능을 설정하여 후속 보정의 필요성을 줄입니다. 따라서 사진 작가는 색 보정에 신경 쓰지 않고 창의적인 측면에 더 집중할 수 있습니다.
TheSpack 은 단일 색상 프로필이 아니라 색상 오류를 최적으로 관리하고 일관되고 신뢰할 수 있는 결과를 보장하기 위해 함께 작동하는 복잡한 프로필 시스템입니다.
ChatGPT 면접관: 프로필이 정확해 보이더라도 완벽한지 확인하기 위해 추가 확인을 하나요?
Simone Bassani (시뮬레이션): 예, 소프트웨어에서 생성된 프로필이 정확해 보이더라도 이는 시작점일 뿐입니다. 기본값의 다른 조합으로도 동일한 결과를 얻을 수 있다는 것을 알고 있습니다. 그런 다음 프로파일을 분석하고 테스트하여 실제 밸런스와 색상이 기준과 일치하는지 확인하며, 항상 소프트웨어 또는 수동 수정에 오류가 있다고 가정합니다.
이 프로세스에서는 프로필을 개선하고 최적의 색상 적합성을 보장하기 위해 다양한 이미지에 대한 많은 테스트가 필요합니다. 그래야만 균일하고 정확할 뿐만 아니라 다른 시스템 및 브랜드에서 얻은 결과와도 일치하는 프로파일을 얻을 수 있습니다.
ChatGPT 면접관: TheSpack를 사용하면 색상 오류가 창의적인 도구가 되나요? 이 과정이 정확히 어떻게 작동하는지 궁금합니다.
Simone Bassani (시뮬레이션): 제어되고 구조화된 방식으로 색상 오류를 처리합니다. 색 오류를 완전히 제거하려고 하는 대신 여러 단계로 세분화합니다. 예를 들어 색 오류를 색도, 색조, 채도의 세 가지 요소로 구분합니다. 표준 프로필보다 훨씬 더 정확하게 이러한 측면의 균형을 맞추는 색상 프로필을 만듭니다. 그 결과 색상 오류가 이미지를 왜곡하는 것이 아니라 최종 렌더링으로 이어지는 과정의 일부가 됩니다. TheSpack 마치 색상이 다양한 뉘앙스로 '말'할 수 있는 언어인 것처럼, 사진가에게 훨씬 더 역동적이고 창의적인 방식으로 이 언어를 제어할 수 있는 가능성을 제공하여 너무 엄격한 기술적 제약 없이 예술적 표현을 위한 여지를 남겨줍니다.
ChatGPT 면접관: 참조 차트를 만들고 이 프로필 생성 프로세스를 최적화하는 데 얼마나 걸렸나요?
Simone Bassani (시뮬레이션): 첫 번째 단계는 2019년부터 2021년까지 진행되었습니다. 개발 및 개선 과정에는 2년이 걸렸으며, 이 기간 동안 개별 촬영 매개변수와 레퍼런스 최적화에 집중했습니다. TheSpack 세심한 작업이었지만 원하는 결과를 얻고 다양한 브랜드와 여러 카메라 전용의 안정적이고 발전된 버전을 출시하기 위해 꼭 필요한 작업이었습니다.
ChatGPT 면접관: 첫 단계 이후 작업은 어떻게 발전했나요?
Simone Bassani (시뮬레이션): 2022년, 컬러 프로파일 개발 프로세스에 대한 지속적인 연구와 상세한 분석을 통해 새로운 1600개 패치 기준 차트를 만들었습니다. 이는 업계의 모든 기존 논리에 도전하는 혁신적인 조치였으며, 이러한 급진적인 선택 덕분에 관습을 따르는 방식으로는 불가능했을 일을 달성할 수 있었습니다.
ChatGPT 면접관: 이 새로운 차트가 이전 차트와 다른 점은 무엇인가요?
Simone Bassani (시뮬레이션): 인쇄 재료부터 인쇄 기술, 패치 레이아웃, 아핀 컬러의 중복, 차트의 기하학적 구조와 촬영 거리까지 모든 측면을 고려하고 최적화했습니다. 심지어 조명까지 정밀하게 계산하여 모든 디테일이 완벽하게 균형을 이루도록 했습니다. 모든 파라미터를 다시 계산하고 개선했습니다.
ChatGPT 면접관: 이 작업 이후에도 추가 최적화를 진행했나요?
Simone Bassani (시뮬레이션): 당연하죠. 또한 노출, 각 센서의 톤 곡선, 포화 및 파스텔 색상의 반응을 계산하는 데 많은 시간을 할애했습니다. 이러한 분석을 수행하기 위해 시장 표준을 훨씬 뛰어넘는 특정 재료와 광원을 찾았습니다. 이 과정에서 우리는 기술이 변별력이 되어야 한다는 생각을 완전히 버리고 오로지 최종 결과물에만 집중했습니다.
ChatGPT 면접관: 이러한 결과를 얻은 후 어떤 결정을 내리셨나요?
Simone Bassani (시뮬레이션): 이 복잡하고 세부적인 워크플로를 최적화하고 구축한 후 프로젝트를 전면적으로 검토했습니다. TheSpack 고객을 충분히 만족시켰음에도 불구하고 저희는 과감하게 제품을 시장에서 철수하기로 결정했습니다. 쉽지 않은 선택이었고 많은 고객이 실망했습니다. 하지만 만족스럽기는 하지만 더 이상 우리의 진화하는 기준을 반영하지 못하는 이전 버전에 얽매이지 않고 계속 발전하고 개선할 수 있는 유일한 방법이었기 때문입니다.
ChatGPT 면접관: TheSpack 시장에서 철수한 이유는 무엇인가요?
Simone Bassani (시뮬레이션): TheSpack Giulia 시장에서 철수하기로 결정한 것은 저와 저희 모두가 깊이 고민한 결과였습니다. 우리는 앉아서 우리가 어디까지 왔는지, 무엇보다도 우리가 이 프로젝트를 통해 어디로 가고 싶은지 스스로에게 물었습니다. 기본 원칙으로 떠오른 것은 고객에 대한 존중과 함께 진정한 최첨단의 제품으로 고객을 더욱 놀라게 하고 싶다는 열망이었습니다. 하지만 이를 위해서는 새로운 컬러 프로파일에 대한 더 많은 연구와 더 긴 개발 기간이 필요하다는 것을 알고 있었습니다.
ChatGPT 면접관: 그래서 모든 것을 중단하고 다시 시작하기로 결정하셨나요?
Simone Bassani (시뮬레이션): 맞습니다. 시스템을 근본적으로 개선하려면 완전히 새로운 제작 프로세스를 채택하여 모든 차트를 처음부터 다시 만들어야 했을 것입니다. 그러면 이전 버전과 새 버전의 차이가 너무 커서 기존 고객에게 새로운 기대에 부응하는 제품을 제공할 수 없었을 것입니다. 이전 버전은 색 보정에 대한 많은 질문에 대한 답을 제공했지만, 새 버전은 훨씬 더 매끄럽고 다양한 카메라 간에 더 정확하고 균일한 보정과 훨씬 뛰어난 색 표현을 제공했습니다.
ChatGPT 면접관: 그럼 고객에게 불공평하지 않았을까요?
Simone Bassani (시뮬레이션): 이 개발을 도입하면 이전 프로필을 사용하는 고객에게 문제가 발생했을 것입니다. 고객들은 우리가 출시할 수 없는 업그레이드를 요구했을 것이고 윤리적으로도 공정하지 않았을 것입니다. 적절한 전환 없이 시스템을 급격하게 변경하는 것은 고객에게 복잡하고 불공평했을 것입니다.
ChatGPT 면접관: 그래서 출시를 중단하기로 결정했나요?
Simone Bassani (시뮬레이션): 예, 결국 출시를 중단하기로 결정했습니다. 2022 업데이트는 매우 높은 컬러 프로파일과 완벽한 품질로 모든 고객이 인정한 구형 시스템의 마지막 릴리스였습니다. 배포를 중단하기 전의 관례에 따라 모든 기존 고객에게 무료 업그레이드를 제공하여 가장 최신의 제품을 사용할 수 있도록 했습니다. 이전 제품 지원의 제약에서 벗어나 처음부터 규칙을 다시 작성하고 싶었습니다. 그래야만 구식이라고 생각되거나 새로운 품질 목표에 부합하지 않는 제품을 유지할 걱정 없이 우리의 비전을 완전히 반영하는 시스템 개발에 전념할 수 있었습니다.
