부호 없는 거리 필드 (Unsigned Distance Fields, UDFs)는 부호 있는 거리 필드 (Signed Distance Fields, SDFs)보다 더 넓은 모델링 능력을 제공하며, 열린 경계 (open boundaries), 비매니폴드 구조 (non-manifold structures) 또는 곡선과 표면이 혼합된 형태를 표현할 수 있게 해줍니다. 그러나 전통적인 그리드 기반 등치면 추출 (iso-surfacing) 기술은 형상의 내부와 외부를 구분하는 방법이 필요하기 때문에 UDF로부터 일관된 메쉬를 추출하는 것은 근본적으로 더 어렵습니다. 우리는 열린 구조, 비매니폴드 및 곡선 형태의 기하학적 구조를 지원하는 새로운 UDF 재구성 파이프라인인 OffsetAxis를 소개합니다. 우리의 핵심 통찰은 0-레벨 셋 (0-level set) 추출 문제를 UDF의 $\alpha$-오프셋 볼륨 ($\alpha$-offset volume)의 중심축 (medial axis) 추출 문제로 재정의할 수 있다는 것입니다. 이러한 정식화는 경계, 비매니폴드 접합부 및 곡선을 자연스럽게 지원하는 성숙한 중심축 메커니즘을 활용할 수 있게 합니다. 그리드 기반 기술의 편향을 피하기 위해, 우리는 레이 캐스팅 (ray casting)을 사용하여 $\alpha$-오프셋 표면을 샘플링하고, 변분 중심축 샘플링 (Variational Medial Axis Sampling)의 효율적인 변형 방식을 사용하여 오프셋 볼륨 내부의 중심 구 (medial balls)를 최적화합니다. 최종 메쉬는 중심 구 클러스터 (medial ball clusters)의 연결성의 쌍대 (dual)를 취함으로써 복구되며, 이를 통해 광범위한 위상 (topologies)에 대해 구조적으로 일관된 재구성을 생성합니다. 이 접근 방식의 견고성과 다재다능함 덕분에 노이즈가 있는 입력으로 학습된 신경망 UDF (neural UDFs), 준-중심 거리 필드 (Quasi-Medial Distance Field, Q-MDF), 그리고 삼각형 수프 (triangle soups)나 포인트 클라우드 (point clouds)에서 직접 계산된 거리 등 불완전한 거리 필드를 처리할 수 있습니다. 광범위한 실험을 통해 우리의 방법이 기존 기술보다 더 충실한 메쉬 재구성을 생성하고 기저 형상 구조와 더 잘 일치함을 입증하였습니다.