구글, 대화형 이미지 분할 공개: 말 한마디로 픽셀 단위 감지

사진 속 특정 물체를 AI로 잘라내려면 지금까지는 '자동차'나 '의자'처럼 명확한 명사로 지시해야 했습니다. 최근 기술이 발전하면서 특정 단어를 인식하는 수준까지는 왔지만, '가장 멀리 있는 자동차'라거나 '왼쪽에서 세 번째 책' 같은 자연스러운 표현을 알아듣는 것은 여전히 어려웠습니다.

Google이 Gemini 2.5에 대화형 이미지 분할(Conversational image segmentation) 기능을 추가했다고 발표했습니다. 이제 모델이 단순한 단어 매칭을 넘어 위치 관계와 조건부 논리, 추상적인 개념까지 이해하고 해당 영역을 픽셀 단위 마스크로 정밀하게 분할합니다.

말귀를 알아듣는 픽셀 단위 마스킹

기존의 이미지 분할 모델이 픽셀과 명사를 1:1로 대조하는 방식이었다면, Gemini 2.5는 문장 속에 담긴 복잡한 수식어와 문맥을 함께 분석합니다.

Google에 따르면 이번 모델은 다양한 유형의 복합 질문을 처리할 수 있습니다. 예를 들어 '우산을 들고 있는 사람'처럼 사물 간의 관계를 파악하거나, '왼쪽에서 세 번째 책'처럼 순서를 계산해 대상을 찾아냅니다.

비교 표현과 부정문도 지원합니다. '꽃다발에서 가장 시든 꽃'을 골라내거나, '앉아 있지 않은 사람들'만 추려내는 식입니다. 모델이 사람이라는 객체뿐만 아니라 자세와 부정어 조건까지 종합적으로 판단하는 셈입니다.

특히 시각적으로 정형화되지 않은 추상적 개념을 다루는 능력이 돋보입니다. '날씨로 인해 피해를 입은 주택'을 찾아내라고 요청하면, Gemini는 일반 상식을 활용해 단순한 반사광이나 녹슨 자국과 실제 폭풍 피해로 인한 찌그러짐을 구분해 분할해 냅니다.

자체 OCR 기능과 다국어 지원이 결합되어 있어 사진 속에 적힌 글자를 바탕으로 물건을 식별하고 마스크를 생성하는 작업도 가능합니다.

파이프라인 없이 단일 API로 즉시 활용

개발자 입장에서 이러한 기능을 구현하려면 객체 검출 모델과 텍스트 인식, SAM 같은 분할 모델을 복잡하게 엮어야 했습니다.

이제는 Gemini API 하나로 동일한 결과를 얻을 수 있습니다. Google은 gemini-2.5-flash 모델을 권장하며, 생각 예산(thinkingBudget)을 0으로 설정하고 바운딩 박스와 마스크, 라벨이 포함된 JSON 형식으로 결과를 받도록 안내하고 있습니다.

현재 Google AI Studio에서 인터랙티브하게 사용해 볼 수 있으며, 개발자를 위한 실습용 Colab 환경도 함께 제공됩니다.

실제 활용처도 다양합니다. 디자이너가 '건물이 드리운 그림자'라고 말해 선택 영역을 지정하거나, 산업 현장에서 '안전모를 쓰지 않은 작업자'를 단번에 식별해 안전 관리에 적용할 수 있습니다.

왜 중요한가

이번 업데이트는 멀티모달 AI가 이미지를 그저 말로 설명하는 수준을 넘어, 실제 작업 단위로 직접 제어하는 단계로 진입했음을 보여줍니다.

지금까지는 거대 언어 모델이 이미지 전체를 그럴듯하게 묘사하더라도 정작 픽셀 단위의 정밀한 좌표가 필요한 엔터프라이즈 환경에서는 별도의 전용 비전 모델을 따로 돌려야 했습니다. Gemini 2.5가 언어 추론과 픽셀 마스킹을 단일 모델로 통합하면서 시스템 구성이 획기적으로 단순해졌습니다.

특히 소규모 팀이나 개인 개발자에게 유리합니다. 비싼 비전 인프라를 직접 구축하고 유지보수할 필요 없이, 가벼운 flash API 호출 몇 번으로 전문 소프트웨어 수준의 기능을 만들 수 있기 때문입니다.

다만 추상적인 개념을 다룰 때 모델의 상식 추론에 의존한다는 점은 양날의 검입니다. 안전 규정 위반이나 보험 손해 사정처럼 법적 책임이 따르는 영역에서는 모델의 자의적 판단이 오류를 낳을 수 있습니다. 따라서 지금 단계에서는 완전 무인 자동화보다는 작업자의 효율을 높여주는 보조 도구로 도입하는 것이 안전하다고 판단됩니다.