강건한 고정 차트 UV 복구를 위한 딥 기하학적 사전으로서의 연속 신경 재매개변수화 (Continuous Neural

전통적인 UV 언랩핑 (UV unwrapping)은 기하학적 왜곡 에너지 (geometric distortion energies)의 직접적인 최적화에 의존하며, 잘못된 초기화, 지역 최솟값 (local minima), 또는 위상학적 접힘 (topological foldovers)으로 인해 실패할 수 있습니다. 우리는 고정 차트 UV 언랩핑을 연속 신경 재매개변수화 (continuous neural reparameterization)로 재구성했습니다. 즉, 훈련되지 않은 SIREN이 정점별 메쉬 특징 (per-vertex mesh features)을 UV 좌표로 매핑하며, 그 가중치는 기하학적 목적 함수 (geometric objective)를 위해 최적화됩니다. 본 연구의 실질적인 기여는 단일 구성 요소가 유효성을 보장한다거나 재절단 (recutting) 방식이 대체되어야 한다는 주장보다는, Laplace--Beltrami 스펙트럼 입력 (spectral inputs), Tutte 잔차 웜업 (Tutte residual warm-up), $C^2$ 행렬식 확장 (determinant extension), 단사성 장벽 (injectivity barrier), 그리고 유효성 검사를 거친 재시도/폴백 라우팅 (retry/fallback routing)을 결합한 강건한 차트 솔버 레시피를 제공하는 것입니다. NTK--LBO 진단 결과, 스펙트럼 컨디셔닝 (spectral conditioning) 변화는 특히 초기화 단계와 중간 순위 부분 공간 (mid-rank subspaces)에서 기하학적 구조를 변화시키지만, 그 자체만으로 차트의 성공을 예측하지는 못함을 보여줍니다. 컴팩트한 사전 절단 차트 (compact pre-cut charts) 및 47개 차트로 구성된 Thingi10K/xatlas-cut 계층화 벤치마크에서, 신경망 솔버는 모든 컴팩트 차트에서 제로 플립 (zero flips)을 생성하였으며, 계층화된 솔루션 중 47개 중 42개에서 유효한 제로 플립 결과를 도출했습니다. BFF 및 OptCuts와의 비교를 통해 연구의 범위를 명확히 했습니다. 재절단 방식은 허용될 경우 더 빠르고 왜곡이 적을 수 있는 반면, 신경망 솔버는 제공된 차트의 유효성 및 검증 우선 아틀라스 구축 (validation-first atlas construction)을 목표로 합니다. Amara Spatial에서 생성된 메쉬에 대해, 전체 아틀라스 구축 경로는 25개 에셋 세트에서 패킹된 아틀라스 커버리지 (packed-atlas coverage)를 제공하며, 폴백 라우팅 이후 대규모 Rust 아틀라스 실행에서 1000개 중 1000개 모두 UV 플립이 없는 엄격한 국소 유효 아틀라스 (locally valid atlases)를 생성했습니다.