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.