나무의 뼈대를 뽑아내다, 사진으로 만드는 3D 나무 골격

나무 가지를 하나하나 3D로 복원하려면 어떻게 해야 할까? 비싼 라이다 센서를 들고 숲으로 들어가야 할까? 이제는 그럴 필요가 없다. 이번 연구는 ‘사진만으로 나무의 3D 뼈대(스켈레톤)를 뽑아내는 새로운 기술’을 선보였다. 이름하여 Masks-to-Skeleton!

왜 나무 스켈레톤이 중요한가?

나무의 뼈대는 단순한 그림이 아니다. 나무가 어떻게 자라는지, 가지가 어디로 뻗었는지, 얼마나 건강한지 파악하는 데 필수다. 스마트 농업, 로봇 수확, 자동 가지치기 로봇 같은 미래 농기계의 핵심 데이터가 된다.

지금까지는 주로 3D 포인트 클라우드를 써서 나무 뼈대를 만들었다. 그런데 얇고 복잡한 가지는 잘 찍히지 않는다. 노이즈도 많고, 연결이 끊기는 일도 다반사다.

사진에서 마스크로, 마스크에서 그래프로

연구팀은 포인트 클라우드 대신 사진에서 얻은 ‘마스크(분할된 윤곽선 이미지)’를 썼다. 여러 장의 사진으로부터 나무 가지를 마스크로 뽑고, 이를 3D 그래프 형태로 바꿨다.

가지 하나하나를 ‘노드(node)’로, 노드를 잇는 선을 ‘엣지(edge)’로 두어 전체 나무를 그래프로 본 셈이다. 그리고 이 그래프를 3D 가우시안 스플래팅(3D Gaussian Splatting)이라는 기술로 3D 형태로 그려내며 실제 사진과 최대한 비슷하게 맞췄다.

가우시안 스플래팅? 뭔가 복잡해 보이지만…

쉽게 말해, 가지를 점으로 표현하는 대신 가우시안이라는 수학적 ‘뿌옇게 퍼지는 점’을 쓰는 방식이다. 이 덕분에 가지가 얇거나 일부가 가려져도 자연스럽게 이어질 수 있다.

또한 가지 연결이 제대로 되도록 최소 신장 트리(MST) 알고리즘을 적용해 그래프가 나무처럼 뻗어나가도록 했다.

직접 만든 데이터셋으로 성능 검증

연구팀은 가상의 나무와 실제 도심 가로수 이미지를 직접 찍어 실험했다. 기존 방법인 AdTree, Smart-Tree와 비교했더니 형태 재현 정확도가 가장 높았다. 노이즈나 잘못된 연결도 적었다. 특히 실제 거리에서 찍은 사진처럼 가지가 잘 안 보이는 상황에서도 강했다.

라이다 대신 누구나 쓸 수 있다

이 기술이 흥미로운 건 비싼 장비가 필요 없다는 점이다. 좋은 카메라와 최신 이미지 분할 모델만 있으면 된다. 연구팀은 Lang-SAM 같은 언어 기반 분할 모델과 BiRefNet-HQ 같은 고해상도 분할 모델을 같이 써서 더 정밀한 마스크를 만들었다.

남은 과제는?

아직 완벽하지는 않다. 잎이 무성한 여름철에는 가지가 잘 안 보이기 때문에 성능이 떨어진다. 연구팀은 이를 위해 나뭇잎과 가지를 동시에 구분하는 추가 연구를 예고했다.

스마트 농업, 도시 생태계 연구의 큰 걸음

사진만으로 나무의 구조를 디지털로 가져올 수 있다면, 도시 녹지 관리부터 농장 자동화까지 많은 분야가 달라질 수 있다. 사람 대신 카메라가 숲속을 탐험해 나무의 뼈대를 뽑아내는 시대가 열리고 있다.

출처 논문
Liu, X.; Xu, K.; Shinoda, R.; Santo, H.; Okura, F. (2025). Masks-to-Skeleton: Multi-View Mask-Based Tree Skeleton Extraction with 3D Gaussian Splatting. Sensors 2025, 25, 4354. https://doi.org/10.3390/s25144354