신중하게 설계된 잠재 표현(latent representations)에 대한 흐름 매칭(Flow matching)은 최근 위상 인식 메시 생성(topology-aware mesh generation)을 위한 강력한 패러다임으로 부상했습니다. 하지만 기존 접근 방식들은 정점과 연결성(connectivity)을 공동의 잠재 공간에서 결합하여 모델링함으로써, 연속적인 정점 기하학(vertex geometry)을 이산적인 조합 구조(combinatorial structure)와 얽히게 만듭니다. 이는 흐름 학습을 복잡하게 만들고, 표류하는 정점(drifting vertices)과 손상된 표면(broken surfaces)으로 나타납니다. 저희는 LATO.2를 제시합니다. 이는 메시 생성을 정점 흐름(vertex flow)으로 분해하고, 그 후 실현된 정점을 조건으로 하는 연결성 흐름(connectivity flow)을 수행하는 분해형 흐름 매칭 프레임워크입니다. 두 단계 모두 공유되는 거친 복셀 스캐폴드(coarse voxel scaffold)에 고정되어 있습니다. 전용 VAE(Variational Autoencoder)가 이 두 단계를 뒷받침하며, 정점을 서브-복셀 정밀도(sub-voxel precision)로 복구하고 이산적인 연결성을 연속적인 잠재 공간에 임베딩합니다. 저희는 이 분해화(factorization)만이 제공하는 두 가지 장점을 시연합니다: (i) 부분별 생성(part-wise generation). 여기서 스캐폴드를 분할하고 각 부분을 완전한 잠재 용량으로 합성하여, 단일체적 잠재 공간이 허용하는 것보다 훨씬 높은 해상도의 메시를 얻을 수 있습니다. 그리고 (ii) 위상 적응형 편집(topology-adaptive editing). 여기서는 첫 번째 단계의 정점을 조작할 때 재최적화 없이 해당 연결성이 유도됩니다. 실험 결과는 LATO.2가 기하학적 충실도와 연결성 품질 면에서 최신 위상 인식 메시 생성기들을 능가함을 보여줍니다.