구글, 이미지 이해와 생성 통합한 '비전 바나나' 공개

지금까지 컴퓨터 비전 분야에서는 그림을 그리는 생성 모델과 물체를 인식하고 분석하는 지각 모델이 엄격히 나뉘어 있었습니다.

구글이 4월 22일 공개한 '비전 바나나(Vision Banana)'는 이러한 경계를 허무는 통합 모델입니다.

구글 연구진이 발표한 논문에 따르면, 비전 바나나는 기존 이미지 생성 모델인 나노 바나나 프로(Nano Banana Pro)를 기반으로 구축되었습니다. 핵심은 시각적 인식 작업의 출력 공간을 RGB 이미지로 매핑해, 모든 지각 작업을 순수한 이미지 생성 작업으로 재구성했다는 점입니다.

세그멘테이션과 깊이 측정을 그림으로 그리다

기존 모델들처럼 별도의 예측 헤드를 설계하는 대신, 비전 바나나는 프롬프트 명령을 받아 결과물을 한 장의 이미지로 그려냅니다.

고양이 귀나 비상구 표지판을 분할해 달라고 하면 정교하게 영역을 칠한 마스크 이미지를 내놓고, 흩어져 있는 마늘 조각이나 가격표를 각각 다른 색상으로 구분해 분할해 냅니다.

3D 기하학 이해 능력도 뛰어납니다. 잎사귀가 가득한 복잡한 장면에서도 정밀한 거리 정보를 담은 메트릭 깊이 맵이나 표면 법선 맵을 생성하며, 카메라 내부 파라미터가 있다면 이를 곧바로 3D 포인트 클라우드로 변환할 수도 있습니다.

소량의 비전 데이터와 함께 가벼운 명령어 미세조정만 거쳤을 뿐인데, 기본 이미지 생성 능력을 전혀 잃지 않으면서 이러한 지각 능력을 모두 확보했습니다.

성능 또한 놀랍습니다. 2D 및 3D 제로샷 전이 평가에서 메타의 세그먼트 애니씽 3(SAM 3)이나 뎁스 애니씽(Depth Anything) 등 해당 분야의 전문 모델들을 능가하거나 대등한 수준을 기록했습니다.

왜 중요한가

비전 바나나는 컴퓨터 비전 분야의 패러다임이 생성 중심으로 전환되고 있음을 보여줍니다.

대규모 언어 모델이 텍스트 생성 사전 학습만으로 언어 이해와 추론 능력을 획득했듯, 이미지 생성 사전 학습 역시 시각 세계를 이해하는 범용 시각 학습기 역할을 할 수 있다는 사실이 증명되었습니다.

개발자 입장에서는 세그멘테이션, 깊이 추정, 이미지 합성을 위해 각각 다른 모델을 파이프라인으로 엮을 필요 없이, 단 하나의 생성 인터페이스로 시각 분석과 생성을 모두 처리할 수 있는 길이 열리게 됩니다.

인식 결과를 이미지로 출력하는 방식에 따른 연산 비용과 정밀도 검증 과제는 남아 있지만, 생성 모델이 지각 모델을 흡수하는 거대한 흐름은 이미 시작된 것으로 보입니다.