AR 사진관

역할: 기획 · CV 파이프라인 설계 및 구현 · AR 에셋 제작 · 현장 운영 — 전 범위 단독 수행 저장소: https://github.com/auejin/mirror-selfie

---

핵심 수치

3년 7회 · 703장	2024-08 ~ 2026-04, 7개 컨벤션 연속 참가
1일 최장 가동 7시간 53분	첫 촬영~마지막 촬영 실측. 간격 중앙값 2분 13초, 시간당 9.5~10.7건
커밋 61개 중 61개(100%)	전부 행사 D-30~D+7 구간 내. 행사 당일·직후 핫픽스 4건
동의 기반 데이터 1,289장	크롤링 없이 커뮤니티 공개 모집으로 수집(현존 9명분)
손익분기 547장 · 5번째 행사	2년 5개월 만에 초기 투자 회수. 매 행사는 처음부터 흑자
캐릭터 6종 → 9종	신규 캐릭터 투입 리드타임 D-2 (PNG 2장 + 설정 3줄)

---

기술 하이라이트 3

1. 프롬프트를 자동 생성해 사람 개입을 제거했다 SAM 2는 promptable 모델이라 누군가 클릭을 해줘야 한다. 그런데 참가자는 코스튬 머리를 쓰고 있어 화면 조작이 불가능하다. 단안 깊이 추정(Depth Anything V2)을 프롬프트 생성기로 써서 전경 후보 마스크와 포인트를 자동 산출하고, 이를 SAM 2.1의 hybrid prompt로 넘겼다. 모델을 하나 더 얹는 대신 사람을 파이프라인에서 뺐다.

2. 정확도를 시간축의 결정적 지점에만 배치했다 프리뷰의 부드러움과 저장본의 정확도는 같은 경로에서 동시에 만족시킬 수 없다. 추론을 백그라운드 스레드로 분리하고 프리뷰는 캐시된 마스크로 즉시 합성하되, 촬영 버튼을 누른 순간에만 스레드를 join하고 현재 프레임에 동기 재추론을 건다. 프리뷰 마스크가 1프레임 낡는 것은 의도적으로 허용한 비용이다.

3. 하드웨어 의존성을 스스로 되돌렸다 뎁스카메라를 도입해 분리 정확도를 높였다가, 4개월 뒤 제거했다. 운반·드라이버·정렬 유지 부담에 더해 그 장비가 고장나면 부스 전체가 멈추는 단일 장애점이었기 때문이다. 단안 깊이 추정으로 대체하고, 잃은 정확도는 하이브리드 프롬프트로 보전했다.

---

이 프로젝트가 증명하는 것

데모가 아니라 라이브 프로덕션이다. 낯선 사람이 줄을 서 있고, 실패하면 그 자리에서 보이고, 8시간 가까이 운영자 개입 없이 버텨야 한다. 벤치마크 점수가 아니라 현장에서 무너지는 지점을 찾아 구조로 막은 이력이 이 문서의 내용이다.

범용 모델이 깨지는 도메인을 직접 다뤘다. 전신 코스튬은 인물 분리 모델의 자연 발생 적대 샘플이다 — 비인간 실루엣, 픽셀 단위로 반투명한 털 경계, 광택 소재의 배경 반사, 피부색·얼굴 단서의 전무. 데이터(파인튜닝)로 한 번, 구조(사람 개념 제거)로 한 번 풀었고 왜 두 번째를 택했는지 설명할 수 있다.

동의 기반으로 데이터를 모았다. 커뮤니티 공개 모집 → 목적 사전 고지 → 폼 opt-in 수집. 참가자 촬영물은 로컬에만 저장하고 반출하지 않는다. 온디바이스 추론은 지연·비용 최적화이자 동시에 프라이버시 설계였다.

3년간 자기 돈을 태우지 않고 돌아갔다. 인쇄 1장 5,000원, 인화지 원가 509원, 장당 공헌이익 4,491원. 초기 투자 246만원을 5번째 행사(2년 5개월)에서 회수했고 3년 누적 순손익은 51만~70만원이다. 매 행사의 반복 비용은 21장이면 회수되므로 7개 행사 전부가 그 행사만 놓고 보면 흑자였다 — 얇지만 지속 가능한 구조. 인건비를 시장가로 넣으면 즉시 음수가 되므로, 사업성이 아니라 지속 가능성의 증거다.

지출 내역에 두 개의 이야기가 있다. 단일 최대 지출은 배경 그림 외주 100만원으로 AI 장비 일체(71만원)의 1.4배였다 — 이 프로젝트에서 기술은 가장 싼 부품이었다. 그리고 31만원은 4개월 만에 폐기한 뎁스카메라다. 판단 착오의 크기를 숫자로 남겨뒀다.

실패를 숨기지 않는다. 기증자 21명을 모았으나 저장소 정책 부재로 12명분을 잃었다. 수집 역량은 있었으나 보존 정책이 없었다는 것이 정확한 진단이고, 아직 미해결이다.

---