우리는 남 탓하기를 참 좋아한다. 내 탓은 거의 없고, 다 사회가 잘못되어서, 남이 잘못되어서 이 모양 이 꼴이라고 말한다. 그러다보니 이 사회의 이것도 뜯어 고쳐야하고, 저 사람의 저것도 뜯어 고쳐야한다고 주장한다. 

그러나 진짜 고쳐야하는 건 나 자신이다. 누군가를, 뭔가를 비판하기 전에 나 자신을 먼저 돌아봐야 한다.

내가 충분히 열심히 살고 있는가?

내가 정말 정직하게 살고 있는가?

나는 법을 정말 잘 준수하고 있는가?

나는 양심에 따라 살고 있는가? (우리 양심이 완전하진 않지만.)

나는 정말 약자들을 배려하며 살고 있는가? 

성경에서 예수님은 이렇게 말씀하신다.

"어찌하여 형제의 눈 속에 있는 티는 보고 네 눈 속에 있는 들보는 깨닫지 못하느냐... 외식하는 자여 먼저 네 눈 속에서 들보를 빼어라 그 후에야 밝히 보고 형제의 눈 속에서 티를 빼리라" (마태복음 7장 3, 5절)

이 말씀의 핵심은 결국 누군가를 고치려고 하기 전에 자신의 악한 마음, 잘못된 행실을 먼저 돌아보라는 것이다. 정직한 사람이라면 자신 안에 있는 악함을 먼저 발견하게 된다. 또 그것을 먼저 고치기 힘쓴다. 

남 탓을 하는 사람들의 특징은 일단 본인은 의롭다는 전제를 깔고 간다는 것이다. 내가 저 사람보다는 좀 더 의롭다는 의인 의식을 갖고 있기 때문이다.

자칭 의인들이 많으면 많을 수록 사회는 불행해지는 것 같다. 본인들의 눈에 세상과 다른 사람들은 항상 문제투성이기 때문에 항상 눈을 부릅뜨고 지적하고 고치려고 한다.  

진짜 의인은 자신의 결함을 먼저 주의하여 보고, 또 누군가의 악행을 보았을 때 나도 충분히 그럴 수 있다는 생각을 가지고 더 자신을 단속하는 사람이라고 생각한다. 한 마디로 의인은 겸손한 사람이다.

내 탓은 결코 자학이 아니다. 더 책임감 있는 존재로 나에게 주어진 인생을 살아가고자 하는 몸부림이다. 내 탓은 회개이자 자기 성찰이다. 

남 탓의 필요를 무시하는 것이 아니다. 하지만 항상 자기 성찰이 선행되어야 한다는 것이다. 자기 성찰 없는 비판을 일삼는 사람은 괴물에 가깝기 때문이다. 

A 사회

1. 10시간 일하면 10시간의 수당을 받는다. 시급이 8000원이라면 10시간 일하면 8만원을 받는다. 

2. 기술적으로 어려운 일을 하는 사람은 기술적으로 쉬운 일을 하는 사람들보다 더 많은 수당을 받는다. 의사는 청소부보다 돈을 더 많이 받는다. (절대 청소부라는 직업을 비하하는 것이 아니다.)

3. 똑같은 직업이라도 더 잘하는 사람이 돈을 더 받는다. 손흥민 선수는 k리그의 어떤 선수보다도 더 돈을 많이 받는다. 

노력한 만큼, 더 희소성이 있는 일인 만큼, 더 잘 하는 만큼 보상받는 것이 A 사회의 기본 구조다. 

B 사회

1. 1시간 일하든 10시간 일하든 똑같은 수당을 준다.

2. 기술적으로 어려운 일을 하던 쉬운 일을 하던 똑같은 수당을 준다(공평하게 적게).

3. 똑같은 직업에 종사하니 똑같이 월급을 준다. 

B 사회에서는 열심히 살던 대충 살던 똑같이 평등하게 돈을 번다. 다만 모두가 겨우 먹고 살만큼 번다. 

나는 A 사회에서 살고 싶다. 왜냐하면 A 사회의 구조가 더 상식적이고도 자연스럽기 때문이다. 이 세 가지 중 어떤 것이라도 부정된다면 나는 일할 의욕을 상실할 것이다. 더 나아가 삶의 의욕도 상실하게 될 것 같다. 

우리나라가 부디 B 사회로 가지 않길 바란다. 

논문 요약

저자들은 다른 과제를 위해, 예를 들어 이미지 분류 과제를 위해 미리 훈련된(pretrained) 딥러닝 모델이 이미지 품질 평가(IQA)에 효과적으로 사용될 수 있을지에 대한 답을 이 논문에서 한다. 답은 Yes이다. 또한 딥러닝 모델 내의 다양한 요소들, 예를 들어 전처리, 활성화, 최대 풀링, 소프트맥스, 망의 깊이 등이 IQA 성능에 어떤 영향을 미치는지를 조사했다. 

저자들은 미리 훈련된 VGG16에 원본 이미지와 왜곡 이미지를 입력해서 얻은 여러 층에 존재하는 여러 개의 특성맵들의 구조 유사도(structural similarity)를 비교해서 얻은 여러 개의 품질 점수들을 종합함으로 왜곡 이미지의 품질 점수를 결정했다. SSIM 알고리즘을 이용해서 구조 유사도를 결정했다. 아래 그림은 저자들이 제안한 Full-reference IQA 알고리즘의 구조도이다.  

실험 결과 테스트 이미지를 224 x 224로 축소시키고 평균 훈련 이미지를 빼주는 전처리 과정은 IQA 성능에 도움이 되는 것으로 판명되었다. 테스트 이미지의 크기를 축소시킴없이 평균 훈련 이미지를 테스트 이미지의 크기에 맞춘 것을 빼준 것에 비해 좀 더 나은 예측 정확도를 보였다. 

또한 중후반 층의 특성 맵이 IQA 성능에 좀 더 유용함을 확인했다. 중후반 층의 특성 맵의 유사도가 주관 품질 점수와 더 높은 상관도를 보였다(아래 그림 참고).

또한 위 그래프에서 알 수 있는 것은 ReLU 활성화와 최대 풀링을 거친 특성 맵들이 IQA에 효과적이라는 것이다. 

저자들은 여러 특성맵에서 얻은 품질 점수를 종합할 때 다양한 풀링 전략을 시도했다. 평균 풀링, 백분위 풀링, 표준편차(SD) 풀링, 평균 절대 편차(MAD) 풀링, SD와 MAD를 가중합한 풀링, 이렇게 다섯 개 전략을 시도했다. 저자들은 그 중 가장 나은 전략은 먼저 각 층의 점수를 평균 낸 다음에 그것을 다시 평균내는 것, 즉 평균 풀링이라고 보고했다. 아래 그림을 보면 알 수 있다. AVG로 표시된 부분의 PLCC 값들이 가장 높다.  

이런저런 복지를 증가시켜주겠다는 이야기는 많은 사람의 호감을 이끌 수 밖에 없다. 누가 내 삶의 복지를 좀 더 신경써준다는데 마다할 사람이 있겠는가? 갑자기 나에게 돈을 주겠다는데 마다할 사람이 있겠는가?

그런데 항상 문제는 그 돈을 어디서 생겨냐는 것이다. 항상 "자~알"하면 그 돈 충분히 마련된다고 한다. 그런데 실체가 없다. 실질적인 계획이 없다. 일단 어떻게든 되겄지하고 실행하고 본다. 

더 많은 복지는 더 많은 세금을 요구할 수 밖에 없다. 세금을 더 거두지 않으면서 더 많은 복지를 책임지겠다는 것은 그야말로 나라의 부채를 더 쌓아가겠다는 것이다. 

그 빚은 누가 갚아야하는가? 우리 자녀들이, 우리 후손들이 갚아야한다. 우리는 좀 더 행복하게 살테니, 너네 다음 세대는 알아서 살 길 찾으라는 것이다. 정말 이기적이다. 참 잔혹하다. 무책임하다. 

많은 복지 정책이 청년, 젊은 사람을 위한 것이라고 하는데 이건 진짜 그들을 위한 것이 아니다. 그냥 미래의 자원을 끌어다 쓸 뿐이다. 퇴직금 미리 받아서 쓰는 것일 뿐이다. 그냥 오늘의 행복을 위해 내일을 생각하지 않고 신용카드 긁는 것이다.  

심히 걱정스럽다. 지금 정부가 하는 것처럼 복지를 증대시키는 정책을 펼치고자 한다면 그냥 국민들에게 솔직하게 말했으면 좋겠다. "여러분 세금 많이 내세요. 그리고 그 돈으로 복지를 증대시켜 드리겠습니다." 

그런데 그 말은 안한다. 못한다. 돈 더 내라고 하면 자신들의 대한 지지가 떨어질 것을 알기 때문이다. 이런 식의 포퓰리즘 정치로 사람들의 마음을 얻을 수 있다는 이 현실이 참 답답하다. 자기 자신만 생각하는 그 인간의 본성적 악함을 이용한 정치. 본성적으로 돈을 좋아할 수 밖에 없는 인간의 한계를 이용한 정치. 

이것은 그들이 외치는 더불어 잘사는 세상이 아니다. 본심은 나만 잘 먹고 잘 살자 이거다. 

"내 아들들아, 내 딸들아, 내 손주들아, 너희는 알아서 자~알 살거라. 그런데 우리 집에 빚이 조금 있어. 10억 정도. 이것도 잘 갚으면서 자~알 살거라."

논문 요약

시각적으로 중요한 부분에서 왜곡이 일어나는 것이 전체 이미지 품질을 판단할 때 더 치명적인 영향을 미친다는 전제하에 이미지 품질 평가에 visual saliency를 고려한다. 하지만 우리는 두 가지 문제를 생각해볼 필요가 있다. 첫번째는 원래 이미지에서 중요하지 않은 부분의 왜곡 현상이 우리의 주의를 끌 수 있다는 것이다. 두번째는 품질 평가의 관점에서 이미지를 보는 것과 우리가 보통 이미지를 보는 방식은 차이가 있을 수 있다는 것이다. 

이미지 품질 평가의 관점에서 이미지를 볼 때 우리가 주목하는 부분과 평소 이미지를 볼 때 우리가 주목하는 부분이 차이가 있는지를 분석하기 위해 여러 가지의 subjective study를 실시했다. 이를 위해 왜곡된 이미지의 품질 점수를 매기는 동안의 eye-tracking 데이터로 saliency map(이것을 DSS라고 명칭)을 만들었다. 쉽게 말해 왜곡된 이미지의 품질 점수를 평가할 때 시선이 머문 곳을 파악했다는 것이다. 그리고 또한 일반 이미지(고품질 이미지)를 그냥(품질 평가의 관점이 아닌) 보는 동안의 eye-tracking 데이터로 saliency map(이것을 NSS라고 명칭)을 만들었다. 그리고 이 두 개의 saliency map을 비교해봤다. 그랬더니 분명 차이가 있었다. 

우선 품질이 나쁜 이미지에서 생성된 DSS일수록 NSS와 차이가 커졌다(아래 그림 오른쪽 참고). 하지만 이미지가 비슷한 정도로 왜곡되었다면 이미지에 가해진 왜곡 유형이 다르더라도 생성된 DSS는 NSS와 비슷한 정도의 차이를 보였다(아래 그림 왼쪽 참고). 즉, 왜곡의 유형보다는 강도가 NSS와의 차이에 더 큰 영향을 미친다는 것이다. 

그럼 실질적으로 어떻게 DSS가 NSS에서부터 달라지는가를 살펴볼 차례다. 저자들은 저품질의 이미지를 평가할 때 고품질의 이미지를 평가할 때에 비해 관심 영역의 넓이가 작아졌다는 것을 발견했다. 그 이유는 저품질의 이미지를 평가할 때는 고품질 이미지를 평가할 때에 비해 시선이 배경쪽으로 분산됨으로 이미지 내에서 충분한 관심을 받은 부분이 줄어든 것이다.

또한 저자들은 품질이 좋은 이미지를 평가할 때 저품질의 이미지를 평가할 때에 비해 더 많은 시간을 소요한다는 것을 관찰했다. 품질이 좋은 이미지일수록 더 주의깊게 품질이 어떠한지 살핀다는 뜻이다. 

또한 저자들은 품질을 평가하기 위해 이미지를 볼 때 이미지를 그냥 볼 때에 비해 더 자세하게 본다는 것을 확인했다. 관심영역이 아닌 부분도 주의깊게 보는 비율이 증가했다(아래 그림 참고). 

논문 내 유익한 내용 정리

1) 사람의 시각 시스템은 이미지 내에서 중요한 정보를 담고 있는 부분에 집중하고 나머지 부분은 무시하는 경향이 있다. 왜냐하면 컴퓨터와 같이 인간의 뇌도 정보 처리 용량에 한계가 있기 때문이다.  

내 생각 

단순히 이미지 내에서 시각적으로 중요한 부분의 품질에 더 큰 가중치를 부여하여 이미지의 종합적 품질을 결정하는 것은 저자들이 제기한 문제를 제대로 반영할 수 없다. 왜냐하면 이미지의 품질을 평가할 때 관찰자들은 실제로 중요한 부분이 아닌 다른 부분도 관심있게 보는 경향이 있기 때문이다. 그냥 이미지를 볼 때와 다른 방법으로 이미지를 본다는 것이다.  

왜곡의 정도가 커질수록 NSS와 DSS의 차이는 커지기 때문에, 왜곡의 정도가 클 때는 saliency map에 덜 의존하는 쪽으로 saliency 정보를 이미지 품질 평가 모델에 적용하는 것도 하나의 방법이 될 것 같다.