RapidRAW 딥다이브
— 18세 개발자가 만든 GPU 가속 오픈소스 라이트룸

1한줄 요약

2왜 지금 주목받는가

1. Adobe Lightroom의 "오픈소스 + 무료" 대안 자리가 비어있었다

사진 RAW 편집 시장은 사실상 Adobe Lightroom Classic이 표준이고, 무료 대안은 darktable(C 코드, 강력하지만 UX가 어려움)과 RawTherapee(같은 계열)뿐이었다. 두 제품 모두 강력하지만 "디자인이 90년대 같다"는 평가가 일관됐다. RapidRAW는 현대적인 UI + 빠른 GPU 응답성 + 비파괴 편집이라는 라이트룸의 핵심을 그대로 가져오면서, 코드는 누구나 들여다볼 수 있게 만들었다.

2. 18세 개발자의 "빈 폴더 → 14일 만에 동작" 스토리

저자(Timon Käch)는 README에 직접 적어놨다 — "18살이고 도제 교육을 받으며 짬내서 만들었다." 2025년 6월 13일 Day 1부터 6월 27일까지 14일 동안 매일 진척 로그를 공개했다. Day 1에 Tauri 셋업과 brightness/contrast 셰이더, Day 8에 RAW 파일 지원, Day 13에 비트맵 기반 마스크 시스템 재작성까지의 속도가 트위터/Hacker News에서 화제가 됐다.

3. AGPL-3.0 — "공짜로 가져다 상용 클로즈드 제품으로 못 만든다"

저자는 라이선스 선택 이유를 명시했다: "RapidRAW와 그 파생물이 영원히 오픈소스로 남게 하기 위해 AGPL을 골랐다." 즉 코드를 가져다 SaaS로 만들거나 클로즈드 데스크탑 제품에 끼워 팔 수 없다. 카피레프트가 가장 강한 라이선스 중 하나라서, "내가 만든 개선이 다시 본가에 환원될 거라는 확신"이 컨트리뷰터 유입에 유리하게 작동했다.

4. GPU 가속 + AI 마스킹 + ComfyUI 연동까지 한 통에 묶었다

경쟁 무료 제품(darktable)에는 AI 자동 마스킹이 없다. RapidRAW는 로컬 CLIP 모델로 자동 태깅, ONNX Runtime으로 피사체·하늘·전경 자동 분리 마스크, 그리고 ComfyUI 서버 연동을 통한 생성형 채우기(Generative Replace)까지 한 앱에 넣었다. "라이트룸 대안"을 넘어 "라이트룸 + Photoshop의 생성형 채우기" 영역까지 한 번에 노린다.

3기술 스택 전체 지도

백엔드 — Rust + Tauri 2.11 (src-tauri/Cargo.toml)

RapidRAW의 무거운 작업(파일 IO, RAW 디코딩, GPU 호출, AI 추론)은 전부 Rust에서 돌아간다. 핵심 의존성을 카테고리별로 정리한다:

프런트엔드 — React 19 + TypeScript 6 + Tauri (package.json)

UI는 일반 웹 앱과 거의 똑같다. Tauri가 운영체제의 웹뷰(macOS=WebKit, Windows=WebView2, Linux=WebKitGTK)에 React 앱을 실어주고, JS에서 호출한 명령은 IPC로 Rust 함수에 도달한다.

GPU 처리 — WGPU + WGSL 셰이더

"32-bit GPU 파이프라인"이라는 README의 표현이 핵심이다. 일반 사진 앱은 8비트(0~255) 정수로 픽셀을 들고 다닌다. RapidRAW는 RAW 디코딩 직후부터 모든 픽셀을 RGBA 각 32비트 부동소수점으로 들고 있다. 그리고 모든 연산(노출, 톤, 색조정, 마스크 합성)을 WGSL 셰이더로 작성해 GPU의 수천 코어가 동시에 픽셀에 적용한다.

인프라 · 배포

• Windows · macOS — GitHub Releases의 .msi / .dmg 파일로 배포. Tauri가 코드사이닝, 노터라이즈, 자동 업데이터까지 묶어줌.
• Linux 배포 3종 세트 — Flathub의 Flatpak(io.github.CyberTimon.RapidRAW), Debian 계열은 .deb, Arch 계열은 AUR의 rapidraw-bin. 사실상 모든 주요 배포판 커버.
• Android — Cargo.toml에 target_os = "android" 분기가 있다. NDK, JNI 의존성이 있고, 인앱에 include_dir로 에셋을 굽는다. 실험적이지만 모바일까지 노린다는 의지가 보임.
• 빌드 최적화 — profile.release에서 codegen-units = 1(전체 한 번에 컴파일, 최적화 극대화) + lto = true(링크 타임 최적화) + strip = true(디버그 심볼 제거). 그리고 profile.dev는 자기 코드만 opt-level=2, 의존성은 opt-level=3으로 — 디버그 빌드도 의존성은 release처럼 최적화돼서 dev 사이클이 빠르다.

4아키텍처 심화 분석

전체 시스템 구조도

설계 패턴 1 — 비파괴 편집 (Non-destructive editing) + 사이드카 패턴

모든 편집 결과는 원본 파일에 절대 쓰지 않는다. 대신 같은 폴더에 IMG_001.CR3가 있으면 IMG_001.rrdata라는 작은 사이드카 파일을 만들어 "노출 +0.3, 섀도우 +25, 마스크 1번에 색온도 +10..." 같은 편집 명령 목록만 적는다. 화면에 보이는 결과물은 매번 GPU에서 새로 합성된 프리뷰다.

설계 패턴 2 — Tauri 2-프로세스 모델 (WebView + Rust)

Tauri는 Electron과 달리 Node.js를 번들하지 않는다. 대신 운영체제가 이미 갖고 있는 WebView(시스템 브라우저 엔진)를 빌려 쓰고, 백엔드는 컴파일된 Rust 바이너리 한 개로 끝낸다. 결과: 설치 크기 수십 MB(Electron 앱은 100MB+), 메모리 사용량 절반.

// 프런트(JS) → 백엔드(Rust) 호출 예
// React 컴포넌트 안에서
import { invoke } from '@tauri-apps/api/core';
const preview = await invoke('apply_exposure', {
  imageId: 'uuid-xxx',
  exposure: 0.3
});

// Rust 측 (src-tauri/src/commands.rs 안에 이런 식)
#[tauri::command]
async fn apply_exposure(image_id: String, exposure: f32)
    -> Result<String, String> {
    // WGPU에 셰이더 uniform 업데이트
    // 결과를 base64 PNG로 반환
}

설계 패턴 3 — GPU 셰이더 파이프라인 (32-bit float)

한 장의 사진을 보정하는 흐름:

1. RAW 디코딩 — rawler 크레이트가 Canon CR3/Sony ARW/Nikon NEF 등을 R/G/G/B 베이어 패턴 → RGB f32 배열로 변환 (CPU, 1회).
2. GPU 텍스처 업로드 — 이미지 데이터를 GPU 메모리에 한 번 올림.
3. 셰이더 체인 실행 — 사용자가 만진 슬라이더 값을 uniform 버퍼로 GPU에 전달. WGSL 셰이더가 각 픽셀에 노출 → 톤 매핑 → 색조정 → 마스크 합성 순서로 적용. 슬라이더 1pt 움직일 때마다 이 전체가 다시 돈다.
4. 프리뷰 표시 — 결과 텍스처를 화면 해상도로 다운샘플링해 WebView에 PNG로 전송.
5. Export — 위 과정을 풀해상도로 다시 한 번 돌리고 결과를 JPEG/PNG/WebP/JPEG XL로 인코딩.

설계 패턴 4 — AI 마스킹은 백그라운드 + 로컬

"피사체만 자동 선택"을 클릭하면 화면이 멈추면 안 된다. RapidRAW는 ONNX Runtime(ort 크레이트)을 통해 로컬에 미리 받아둔 세그멘테이션 모델을 별도 Tokio 태스크에서 돌린다. 결과 마스크는 다시 비트맵으로 변환되어 GPU 셰이더의 입력 텍스처가 된다.

설계 패턴 5 — ComfyUI 브리지 (선택적, 생성형 AI 분리)

"생성형 채우기" 같은 무거운 작업은 RapidRAW 본체가 직접 안 한다. 대신 RapidRAW-AI-Connector라는 별도 미들웨어가 로컬 ComfyUI 서버에 붙어서 처리한다. 똑똑한 점은 원본 이미지는 한 번만 업로드해서 캐싱하고, 이후 편집할 때마다 마스크 + 텍스트 프롬프트만 보낸다는 것. 4K 사진을 매번 다시 전송하지 않아 응답성이 살아남는다.

5디렉토리 구조 해부

핵심 진입점 3개

• package.json → "start": "tauri dev" — 개발 모드 진입점. Vite 핫 리로드 + Rust 자동 재빌드.
• src-tauri/Cargo.toml — Rust 의존성 단일 진실. 모든 GPU/AI/RAW 처리 능력의 출처.
• src-tauri/src/main.rs — Tauri 앱 시작 스텁 (fn main() { rapidraw_lib::run(); } 4줄). 실제 명령 등록·앱 빌더·상태 초기화는 lib.rs에 있다 (Tauri 2 표준 패턴).

6학습 포인트 (기술별)

① Rust + Tauri 데스크탑 앱 만들기

이 레포의 가장 큰 학습 가치다. Tauri는 "Electron의 더 가벼운 후속작" 포지션인데, 막상 처음 만들려고 하면 JS↔Rust IPC, 명령 시그니처, 권한 설정, 번들링·코드사이닝까지 학습 비용이 꽤 있다. RapidRAW는 src-tauri/src/commands/ 폴더를 보면 명령을 어떻게 모듈로 쪼개는지, tauri.conf.json에서 윈도우/권한/번들을 어떻게 설정하는지 실전 예시가 모두 있다.

② WGPU + WGSL 셰이더 작성

GPU 프로그래밍은 "어렵다"는 평판이 있지만, WebGPU 표준은 OpenGL/Vulkan보다 진입 장벽이 훨씬 낮다. RapidRAW의 src-tauri/src/shaders/*.wgsl은 실전 셰이더 모음이다 — 노출, 톤 매핑, 색 휠, 마스크 합성 같은 익숙한 사진 보정 효과가 GPU 코드로 어떻게 표현되는지 직접 비교할 수 있다.

③ React 19 + Zustand 상태관리

편집기 UI는 슬라이더 수십 개가 동시에 움직인다. Redux로 짜면 보일러플레이트 폭증이라 Zustand 같은 가벼운 라이브러리가 사실상 표준이 되어가는 중. RapidRAW의 src/stores/를 읽으면 "여러 슬라이더 값을 어떻게 한 store에 모으고, undo/redo를 어떻게 구현하는지" 실전 답을 얻는다.

④ 비파괴 편집 + 사이드카 패턴

이 패턴은 사진/영상 편집기뿐 아니라 코드 에디터, IDE, 노트 앱에도 응용된다. Git의 stash, VSCode의 .vscode 폴더, Lightroom의 .xmp 파일, RapidRAW의 .rrdata가 다 같은 원리다. "원본은 절대 안 건드리고, 변경 의도만 별도 파일에 저장한다"는 발상.

⑤ ONNX Runtime으로 모델 추론 (PyTorch 없이)

RapidRAW는 PyTorch 한 줄도 의존하지 않으면서 AI 마스킹을 수행한다. ort 크레이트가 ONNX Runtime의 Rust 바인딩이고, tokenizers로 Hugging Face 토크나이저를 들어와 CLIP 입력을 만든다. "PyTorch 학습 → ONNX export → 어디서나 추론"이라는 산업 표준 흐름을 데스크탑 앱 안에서 어떻게 적용하는지 살아있는 사례다.

⑥ Vite 8 + Tauri 핫 리로드 통합

vite.config.js의 clearScreen: false, strictPort: true, HMR 포트 설정 같은 Tauri 특유의 깨알 옵션들이 들어있다. "데스크탑 앱에서 핫 리로드가 작동한다"는 건 마법이 아니라 이런 설정의 누적이다.

⑦ 다중 OS 빌드 · 배포 자동화

.github/workflows/의 워크플로를 보면 Windows .msi, macOS .dmg(notarization 포함), Linux .deb + Flatpak + AppImage까지 한 푸시로 다 빌드되는 매트릭스가 있다. 1인 개발자가 4개 OS에 동시 배포할 수 있는 비결.

7하드웨어 / 시스템 요구사항

8직접 해볼 수 있는 실습 과제

🟢 Beginner 1 — 빌드해보기

"Build from Source"를 따라 실제로 컴파일해보자. git clone --recurse-submodules, npm install, npm start 세 줄이지만 Rust 처음 설치하는 사람이면 30분~1시간 걸린다. 컴파일 동안 Rust 컴파일러가 의존성 200개를 빌드하는 것을 구경하는 경험 자체가 학습이다.

🟢 Beginner 2 — 새 슬라이더 추가

"Sepia(세피아 톤)" 슬라이더를 만들어보자. (1) src-tauri/src/shaders/에 새 WGSL 파일 1개 추가 (2) commands/에 새 명령 1개 등록 (3) React 컴포넌트에서 슬라이더 1개 추가, invoke로 호출. 끝나면 Tauri 앱이 어떻게 layer되는지 한 사이클 완전히 이해하게 된다.

🟡 Intermediate 3 — 새 RAW 포맷 지원

본인 카메라 RAW가 지원 안 되면 rawler 레포(dnglab의 일부)에 카메라 프로파일 PR을 보낸 다음, 그 변경을 RapidRAW의 fork에 동기화해서 직접 빌드한다. README의 "Image format issues" 섹션이 정확히 이 워크플로를 가이드한다. 오픈소스에 첫 기여를 해보는 좋은 핑계.

🟡 Intermediate 4 — 자체 LUT(룩업 테이블) 만들기

3D LUT(예: .cube 파일)는 영화/사진 색보정의 표준 포맷이다. Davinci Resolve나 Photoshop에서 마음에 드는 룩을 만들어 .cube로 export → RapidRAW의 LUT 폴더에 넣고 적용. 그리고 WGSL 셰이더에서 LUT 텍스처가 어떻게 샘플링되는지(data/ 또는 shaders/ 살펴봄) 직접 읽어보면 색보정의 본질이 보인다.

🔴 Advanced 5 — ComfyUI 연동 + 자체 워크플로

로컬에 ComfyUI 설치 → RapidRAW-AI-Connector 미들웨어 실행 → RapidRAW의 Settings에서 연결. 그리고 ComfyUI에서 "흐림 효과 + Lora 적용 + 디퓨전 인페인팅" 같은 커스텀 워크플로를 .json으로 export해 RapidRAW에 import. RAW 사진 한 장에 디퓨전 모델 마법이 붙는 워크플로를 직접 손에 쥐게 된다.

9관련 기술 심화 학습 로드맵

10핵심 키워드 사전

11참고 링크

공식 자료

• GitHub: CyberTimon/RapidRAW — 본체 레포
• GitHub: CyberTimon/RapidRAW-AI-Connector — ComfyUI 브리지 미들웨어
• GitHub: CyberTimon/RapidRAW-DngLab — RAW 디코더 fork (rawler 기반)
• Flathub: io.github.CyberTimon.RapidRAW — Linux Flatpak 배포
• AUR: rapidraw-bin — Arch Linux 패키지
• Ko-fi: cybertimon — 저자 후원

학습용 자매 자료

• Tauri 2 공식 문서 — 데스크탑 앱 핵심
• WGPU 공식 — Rust GPU 추상화
• Learn WGPU 튜토리얼 — 가장 인기 있는 WGPU 입문서
• WGSL 공식 명세 (W3C) — 셰이더 언어 레퍼런스
• dnglab/dnglab — rawler가 속한 본가 프로젝트
• lensfun.github.io — 렌즈 보정 DB
• ComfyUI — 디퓨전 워크플로
• ONNX Runtime — 모델 추론 런타임
• pykeio/ort — ONNX Runtime의 Rust 바인딩

경쟁/관련 제품

• darktable — 오픈소스 RAW 편집 선배 (GTK)
• RawTherapee — 또 다른 오픈소스 옵션
• Adobe Lightroom Classic — 시장 표준
• Capture One — 상업 경쟁자