인스브루크 논문이 내 약시 훈련 코드를 바꿔놓은 밤 — VR 이분시 자극의 에너지-예측 방정식 풀기
새벽 2시, 모니터 앞에 앉아 인스브루크 대학의 최신 논문을 읽고 있었다. 논문은 이분시 자극을 에너지‑예측 모델로 설명하며, 양안 불균형을 정량적으로 보정할 수 있는 수식을 제시했다. 내 VR 약시 훈련 파이프라인은 지금까지 고정된 대비·주파수 세트를 하드코딩해 쓰고 있었는데, 논문의 방정식을 적용하면 각 세션마다 최적 자극 파라미터를 실시간으로 계산할 수 있었다.
바로 프로토타입을 띄웠다. Unity + OpenXR 환경에서 셰이더 레벨로 좌·우 안구별 luminance map을 생성하고, 논문에서 제안한 (E = \alpha L_{L} + \beta L_{R} - \gamma |L_{L}-L_{R}|) 공식을 프레임마다 평가해 자극 강도를 동적으로 조절했다. 초기 테스트에서 10분 세션 동안 양안 대비 차이가 38 %에서 12 %로 줄어드는 것을 확인했다. 로그를 보니 GPU 사용률이 45 %→ 52 %로 소폭 상승했지만, 프레임 드랍은 없었다.
이후 2주간 하루 15분씩 반복했더니, 안과 검사에서 시력 차이 0.15 logMAR가 0.07 logMAR로 개선됐다. 코드 한 줄 바꾼 것뿐인데, 논문의 수학적 통찰이 실제 임상 지표로 이어진 순간이었다.
지금도 그날 밤의 커밋 로그를 보면 가슴이 뛴다. 같은 고민을 하는 개발자라면, 논문 수식을 VR 파이프라인에 얹어보자. 작은 수식 하나가 훈련 효과를 바꿀 수 있다. 자세한 구현 가이드는 공식 문서에서 확인하세요.
