2026-09-10

사진을 블러·모자이크 처리하면 정말로 가려질까?

얼굴 위에 블러를 문지릅니다. 중고차 판매 사진을 올리기 전에 번호판을 모자이크로 뭉갭니다. 스크린샷을 공유하기 전에 이름을 픽셀 처리합니다. 세 경우 모두 민감한 부분이 뭉개지는 순간 ‘끝났다’고 느껴집니다 — 하지만 ‘사람 눈에 안 보인다’와 ‘정보가 사라졌다’는 서로 다른 주장이고, 블러나 모자이크로는 둘 중 앞의 것만 참입니다. 뒤의 것이 참인 쪽은 검은 사각형뿐입니다. NearIMG의 가리기(블러) 도구가 왜 덜 세련되어 보이는 쪽을 기본값으로 삼았는지, 그 근거가 된 실제 연구를 정리했습니다.

‘가린다’가 뜻하는 두 가지

NearIMG의 블러 도구는 사실 가리기(redaction) 도구입니다. 얼굴, 번호판, 신분증 번호 위에 박스를 드래그하고 어떻게 덮을지 고릅니다. 방식은 정확히 두 가지이고, 서로 바꿔 써도 되는 관계가 아닙니다.

‘때때로’가 사소한 단서가 아닌 이유

픽셀 블록을 평균 내는 건 손실이 있는 처리이지만 무작위는 아닙니다. 그리고 보안 연구자들은 20년 가까이 그 손실분을 얼마나 되돌릴 수 있는지 실증해 왔습니다. 가장 직접적인 사례는 텍스트입니다. Bishop Fox의 연구원 Dan Petro는 픽셀 처리된 단어를 원래 글자로 복원하는 Unredacter라는 도구를 만들었습니다. 알려진 픽셀화 알고리즘을 작고 추측 가능한 문자 집합(숫자, 표준 서체)에 적용한 결과물은 문제를 어렵게 만들 만큼 정보를 파괴하지 못한다는 점을 이용한 것입니다. Bishop Fox 자신의 작업 후기도 결론이 분명합니다. “민감한 정보를 가릴 때 텍스트 픽셀화는 절대 쓰지 말라”— 이들이 권하는 건 내용을 뒤섞는 필터가 아니라 덮인 내용을 실제로 지우는 단색 막대입니다.

얼굴은 더 취약합니다. 코넬대학교와 텍사스대학교 오스틴 캠퍼스에서 나온 2016년 논문 “Defeating Image Obfuscation with Deep Learning”(McPherson, Shokri, Shmatikov)은 표준 얼굴 데이터셋의 얼굴들을 모자이크 처리한 뒤, 신경망을 학습시켜 원래 인물을 다시 식별하게 했습니다. 신경망은 95% 넘는 확률로 정답을 맞혔습니다. 블록 없이 부드럽게 뭉개는 블러는 이들의 실험에서 그보다는 낫지만 그래도 57%의 정확도로 식별됐습니다 — 무작위로 찍었을 때 거의 맞힐 수 없는 과제라는 점을 감안하면 결코 낮은 수치가 아닙니다. 이 논문의 요점은 모자이크나 블러가 아예 쓸모없다는 게 아니라, 그동안 이 처리가 ‘이 정보는 이제 사라졌다’로 취급되어 왔는데 정직한 설명은 ‘이 정보는 이제 읽기 어려워졌다’에 더 가깝다는 것입니다 — 읽으려는 쪽이 썸네일을 눈으로 들여다보는 사람이 아니라면 훨씬 약한 보장이 됩니다.

그럼 모자이크가 맞는 선택일 때도 있을까요

있습니다 — 두 방식은 서로 다른 문제를 풉니다. ‘누군가의 얼굴이 거기 있었다는 사실은 남아 있어도 되고, 정확히 누구인지까지 알아볼 필요는 없다’가 목적이라면 모자이크가 자연스럽고, 사진에 구멍이 뚫린 것처럼 보이지도 않습니다. 문제가 되는 건 구체적으로 짧고, 추측 가능하고, 형식이 정해진 내용입니다. 번호판은 작은 문자 집합에서 나온 6–8자, 신분증 번호는 정해진 형식을 따르고, 전화번호는 숫자 10자리입니다 — 전부 낯선 사람의 얼굴보다 훨씬 경우의 수가 적고, 바로 그 점 때문에 Unredacter와 2016년 얼굴 재식별 연구 둘 다 쉬운 표적이 됐습니다. NearIMG의 가리기 패널은 이 선택을 조용히 대신 해버리지 않고 눈앞에 직접 내놓습니다. 단색 블록이 기본으로 선택돼 있고, 모자이크를 고르는 순간 그 자리에서 경고가 뜹니다 — “픽셀화는 픽셀을 평균 낼 뿐 지우지는 않습니다. 신분증 번호나 번호판처럼 짧고 추측 가능한 정보는 복원될 수 있습니다.” 앞서 살펴본 연구 결과와 같은 내용을, 저장한 뒤에 나중에 알게 되는 각주가 아니라 저장하기 전에 내리는 결정으로 보여주는 것입니다.

사진을 업로드하지 않고 직접 가리기

‘민감하니까 가린다’는 말과 대부분의 블러 도구가 안고 있는 뻔한 모순은, 가리기 위해 먼저 그 민감한 사진을 어딘가에 업로드해야 한다는 점입니다. NearIMG의 가리기 도구는 박스를 그리는 것부터 방식을 적용하고 파일을 다시 인코딩하는 것까지 전 과정을 내 기기 안에서 처리합니다.

• 사진을 추가하고 가리기 화면을 엽니다. 얼굴, 번호판, 신분증 정보 위에 박스를 드래그합니다(방향키와 엔터로도 가능합니다).
• 영역마다 단색 블록과 모자이크 중 하나를 고릅니다 — 사진 전체를 한 방식으로 통일할 필요는 없습니다.
• 적용한 뒤 저장하면, 원본 해상도의 이미지 위에 해당 영역이 내 기기에서 그대로 칠해집니다. 다른 NearIMG 도구와 같은 방식으로, 사진 한 장이면 바로 다운로드되고 여러 장이면 하나의 ZIP으로 묶여 나옵니다.

한 가지 부수 효과를 알아둘 만합니다. 다운로드되는 파일은 수정된 픽셀로부터 새로 인코딩된 파일이기 때문에, 원본에 남아 있던 카메라 메타데이터 — 폰이 기록한 GPS 좌표가 있었다면 그것까지 — 도 함께 넘어가지 않습니다. 이 도구를 연 이유가 그것이었든 아니었든, 사진을 가리는 일과 위치 정보를 지우는 일이 한 번의 작업으로 같이 끝납니다.

이 도구가 하지 않는 것

한계도 분명히 짚어 두면 다음과 같습니다.

• 얼굴이나 번호판을 자동으로 인식하지 않습니다. 박스는 전부 손으로 그려야 하며, 사진을 대신 스캔해주는 기능은 없습니다. 사람이 많은 사진에서는 느리지만, 반대로 말하면 실제로 덮은 영역 말고는 이미지의 어떤 부분도 어디에도 분석되어 보내지지 않는다는 뜻이기도 합니다.
• 이미 올라간 모자이크는 되돌리지 못합니다. 픽셀화된 사진이 이미 어딘가에 공개돼 있다면, 내 기기에서 단색 블록으로 다시 처리한다고 해서 이미 퍼진 사본에 손이 닿지는 않습니다. 이 도구가 보호하는 건 지금부터 게시할 사진입니다.
• 단색 블록은 설계상 되돌릴 수 없으니 저장 전에 다시 확인하세요. 작업 중에는 실행 취소가 되지만, 저장하고 파일을 닫고 나면 덮인 픽셀은 인쇄된 사진에 테이프를 붙인 것과 같은 방식으로 사라집니다.

한 줄 요약

블러나 모자이크는 사진을 얼핏 볼 때 단색 블록과 똑같아 보이지만, 원본을 실제로 지우는 건 단색 블록뿐입니다. 실제 연구가 양쪽에서 이를 뒷받침합니다. Bishop Fox의 Unredacter는 픽셀화된 텍스트를 실제 단어로 되돌렸고, 2016년 코넬대·텍사스대 오스틴 캠퍼스 연구는 신경망으로 모자이크 처리된 얼굴을 95% 넘는 확률로 재식별했습니다 — 같은 얼굴에 대한 블러 처리는 57%였습니다. ‘눈에 띄게 가려지기만 하면 되고 정확히 누구인지는 중요하지 않다’일 때는 모자이크를 쓰세요. 번호판, 신분증 번호, 봉투에 적힌 주소처럼 짧고 추측 가능하거나 실제로 민감한 것에는 NearIMG의 기본값인 단색 블록을 쓰세요. 그리고 이 작업은 사진이 이미 있는 그 기기에서 하세요 — 가리려고 다른 곳에 업로드하는 순간, 시작하기도 전에 목적이 무너집니다.