본 논문은 삼각형 메시(triangle meshes) 상에서 신호를 생성하는 법을 삼각분할 불가지론적(triangulation-agnostic) 방식으로 학습하는 과제를 다룹니다. 이는 학습된 모델이 서로 다른 메시와 삼각분할(triangulations)에 효과적으로 적용될 수 있음을 의미합니다. 실무적으로, 본 논문은 플로우 매칭 (Flow Matching, FM) 패러다임을 메시 기반의 삼각분할 불가지론적 설정에 맞게 조정합니다. 이론적으로는, FM 모델의 디노이징 (denoising) 과정 내에서 사용될 삼각분할 불가지론적 특성을 가진 특정 노이즈 분포를 제안합니다. 이미지와 같은 경우에는 노이즈 분포를 고안하는 것이 대개 간단하지만, 삼각분할 불가지론적 분포를 고안하는 것은 훨씬 더 어려운 작업임이 증명되었습니다. 우리는 분포의 스펙트럼 (spectrum)을 통해 분포의 삼각분할 불가지론성에 대한 수학적 정의를 공식화합니다. 그런 다음, Matérn 프로세스 (Matérn process)라고 불리는 특정 가우시안 랜덤 필드 (Gaussian random field)의 이산화가 이러한 원하는 속성을 유지하며, 단순하고 효율적인 샘플링 알고리즘을 제공함을 보여줍니다. 우리는 이를 노이즈 모델로 사용하며, 그래디언트 도메인 (gradient domain)에서 메시 상의 신호를 학습하기 위한 최첨단 방식인 PoissonNet을 디노이저 (denoiser)로 사용하여 FM을 삼각분할 불가지론적 설정에 맞게 조정합니다. 우리는 탄성 휴지 상태 (elastic rest states) 샘플링 및 휴머노이드 (humanoids)의 포즈 생성과 같은 정교한 작업에 대해 실험을 수행합니다. 우리의 방법은 100만 개 이상의 삼각형을 가진 메시에 대해 매우 사실적인 결과를 생성할 수 있음을 보여주며, 품질과 다양성 측면에서 기존의 최첨단 (state-of-the-art) 기술을 크게 능가합니다.