전통적인 가닥 기반(strand-based) 모델링의 근본적인 한계는 단순히 데이터의 부족이 아니라, 구조적 제약 없이 2D 이미지로부터 복잡한 3D 필드(fields)를 추론하는 과정에서 발생하는 부적절한 문제(ill-posedness)에 있습니다. 이러한 제약 없는 회귀(unconstrained regression)는 전역적 폐쇄(global occlusion, 예: 포니테일)와 국소적 방향성(local directionality, 예: 컬)을 모두 해결하는 데 있어 치명적인 실패를 초래하며, 결과적으로 지나치게 매끄럽지만 실제와는 다른(plausible-but-incorrect) 기하학적 구조를 생성하게 됩니다. 이를 해결하기 위해, 우리는 대규모 재구성 모델(Large Reconstruction Models, LRMs)의 강력한 기하학적 사전 정보(geometric priors)를 가닥 생성 파이프라인에 통합합니다. LRM 메쉬(mesh)를 구조적 앵커(structural anchor)로 사용하여, 우리는 거친 기하학적 구조를 고충실도 가닥으로 끌어올리기 위해 새로운 이중 방향 오토인코더(Dual Orientation AutoEncoder)를 채택합니다. 잠재 공간 최적화(latent-space optimization)와 표면 가이드 정밀화(surface-guided refinement)를 통해 벡터 필드 특이점(vector field singularities)을 해결함으로써, 우리의 방법은 복잡한 위상 구조(topological structures)를 효과적으로 분리하며, 머리카락 재구성의 견고성과 정확성에 있어 새로운 기준을 제시합니다.