[논문리뷰] LATO.2: Factorized 3D Mesh Generation with Vertex and Topology Flow

링크: 논문 PDF로 바로 열기

본 논문은 3D 메시 생성 과정에서 발생하는 기하학적 정밀도와 위상 구조의 결합 문제를 해결하기 위해, 정점(Vertex)과 위상(Topology) 생성 단계를 명시적으로 분리하는 LATO.2 프레임워크를 제안한다.

메타데이터

저자: Hang Long, Tianhao Zhao, Junkai Lin, et al.

---

1. Key Terms & Definitions (핵심 용어 및 정의)

• Vertex-Topology Factorization: 기하학적 정점 위치와 조합적인 연결성(Connectivity) 정보를 단일 latent space에서 통합하지 않고, 독립적인 두 개의 stage로 분리하여 처리하는 방식이다.
• V-VAE (Vertex VAE): 정점 위치를 sparse voxel grid로 압축하고, sub-voxel 정밀도를 위해 per-vertex drift vector를 예측하여 정점 좌표를 재구성하는 모델이다.
• T-VAE (Topology VAE): 정점 정보를 바탕으로 연결성을 per-vertex latent feature로 학습하며, 이를 통해 pairwise edge probability를 도출하여 최종 mesh face를 복원하는 모델이다.
• Flow Matching: 정점과 위상 각각에 대한 latent distribution을 학습하여 효율적이고 고품질의 3D 메시 생성을 가능하게 하는 생성 모델링 기법이다.

2. Motivation & Problem Statement (연구 배경 및 문제 정의)

기존의 3D 메시 생성 모델들은 정점의 공간적 위치와 위상적 연결성을 하나의 공유된 latent space에서 동시에 학습하려는 경향이 있어, 통계적으로 이질적인 두 신호를 효율적으로 처리하는 데 한계가 있다. 이로 인해 모델 학습이 복잡해지고, 결과물에서 정점의 drifting 현상이나 표면이 파손되는 Broken Surface 문제가 빈번하게 발생한다. 특히, 메시의 위상은 정점에 종속적인 정보임에도 불구하고 이를 독립적인 변수처럼 모델링하는 기존의 방식은 복잡한 메시 구조를 재현하는 데 효율적이지 않다. 따라서 본 논문은 이러한 두 요소를 분리하여 각각의 특성에 최적화된 생성 프로세스를 설계함으로써 메시 품질을 극대화하고자 한다 [Figure 2].

Figure 2 — LATO.2 파이프라인 개요

3. Method & Key Results (제안 방법론 및 핵심 결과)

본 논문은 V-VAE를 통해 정점을 먼저 생성하고, 이를 조건부로 하여 T-Flow가 연결성을 생성하는 2단계 파이프라인을 제안한다. 정점 생성 단계에서는 sub-voxel 수준의 오차를 보정하기 위해 per-vertex drift vector를 활용하며, 연결성 생성 단계에서는 T-VAE를 통해 학습된 latent space 내에서 edge probability를 예측한다 [Figure 2]. 특히, Part-wise Generation 전략을 통해 voxel scaffold를 분할하여 각 부분마다 full latent capacity를 사용하여 고해상도 메시를 생성할 수 있다 [Figure 3]. Topology-Adaptive Editing 기능을 통해 사용자가 정점을 수정하면, 재최적화 과정 없이 즉시 위상이 정점에 맞춰 자동 업데이트되는 높은 유연성을 확보했다 [Figure 4]. 실험 결과, LATO.2는 기존의 topology-aware 생성 모델들과 비교하여 지표(Metric)상 기하학적 충실도와 위상 일관성 측면에서 우수한 성능을 입증했으며, 복잡한 기하학적 형태에서도 파손 없는 완벽한 표면 생성을 보여주었다 [Figure 6].

Figure 3 — 부분별 생성 프로세스

Figure 4 — 위상 적응형 메시 편집

4. Conclusion & Impact (결론 및 시사점)

본 논문은 메시 생성을 정점 흐름과 위상 흐름으로 분리하는 LATO.2를 통해 3D 메시 생성의 새로운 패러다임을 제시하였다. 이 방식은 기존의 공동 학습 모델이 가진 표면 파손 문제를 해결했을 뿐만 아니라, 사용자의 의도에 따른 부분적 고해상도 생성 및 동적 편집 기능을 가능하게 함으로써 제작 파이프라인에서의 실용성을 크게 높였다. 본 연구는 향후 고품질 3D 자산 자동 생성 및 편집 분야에서 학계와 산업계 모두에 중요한 방법론적 토대를 제공할 것으로 기대된다.

---

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.