플로우 매칭(Flow matching)은 3D 생성의 핵심이지만, 실제 적용되는 강화학습(RL) 방식은 대부분 2D 시각적 생성에서 차용된 것입니다. 대표적인 DPO, GRPO, NFT 스타일의 목적 함수는 네거티브 궤적(negative trajectory)에 적용될 때, 선호되는 샘플을 향한 목표 속도장을 명시적으로 지정하지 않고 예측된 속도를 해당 방향에서 멀어지도록 유도하는 데 그칩니다. 사전학습된 모델의 역량, 롤아웃 다양성, 복잡한 보상 분포의 제약을 받는 3D 생성에서는 이러한 강화학습 기법을 직접 적용할 경우 기하학적 품질 향상이 제한적입니다. 본 연구에서는 네거티브 궤적 최적화를 포지티브 샘플 유인 기반의 동적 귀환(dynamic homing) 문제로 재구성하는 순방향 프로세스 강화학습 방법인 **동적 귀환 최적화(Dynamic Homing Optimization, DHO)**를 소개합니다. 구체적으로, 최소 비용 인력 매칭(Minimum-Cost Attractive Matching, MAM)은 각 네거티브 샘플에 고유한 포지티브 대상을 할당하며, 시간 인지 동적 보정(Time-Aware Dynamic Correction, TDC)은 남은 시간을 고려한 보정 속도를 활용해 해당 궤적을 목표 방향으로 재지향합니다. 비동기 온라인 DHO를 기반으로, 이미지-3D 기하 생성 프레임워크인 **Flow3D-Pro**를 개발했습니다. 실험 결과, DHO는 3D 생성에서 대표적인 DPO, GRPO, NFT 스타일 목적 함수보다 우수한 성능을 보였으며, Flow3D-Pro는 기존 메시 생성 방법들보다 더 높은 품질의 3D 형상을 생성함을 입증했습니다.
TriFlow를 제시한다. 이는 부호 거리 필드(signed distance field)와 같은 입력 기하 조건으로부터 아티스트 수준의 삼각형 토폴로지를 갖는 간결한 3D 메쉬를 직접 생성하는 새로운 생성적 접근법이다. 핵심 통찰은 메쉬 토폴로지를 표면 위에 정의된 최근접 정점 벡터 필드(nearest-vertex vector field, NVF)로 표현하는 것으로, 각 점은 국소 무게중심(barycentric) 좌표계에서 가장 가까운 삼각형 정점과의 연관을 인코딩한다. 입력 기하에 조건화된 토폴로지 생성을 가능하게 하기 위해 이 필드를 합성하도록 잠재 flow-matching 모델을 학습한다. 일관된 메쉬를 추출하기 위해 생성된 NVF로 표면 영역을 클러스터링하고, 토폴로지 인식 최적화가 적용된 제약 이차 오차 메트릭(quadric error metric, QEM) 메쉬 단순화를 유도한다. 이를 통해 출력 메쉬는 입력 기하와 밀접히 일치하면서 구조화된 아티스트 수준의 연결성을 갖는다. 실험 결과 TriFlow는 최신 학습 기반 접근법 대비 더 강한 일반화와 현저히 향상된 토폴로지 품질을 달성하며, Chamfer Distance는 90% 낮고 8배 속도 향상을 보인다.
SubdivAR은 메시 세분화를 MAR(Mesh Autoregressive Representation) 기반의 자기회귀적 다음-스케일 예측으로 재공식화하고, Hybrid Topology-Aware Transformer로 전역 의미 어텐션과 위상 제약 국소 특징 집약을 결합해 각 정제 단계에서 정점 오프셋을 회귀한다. FII-40K 약 4만 개 고품질 메시로 학습했으며, 기존 최고 방법 대비 Hausdorff Distance 18.8%, Chamfer Distance 14.2%를 낮추고 복잡한 개방 표면(open-surface) 기하에서도 견고한 성능을 보였다.
단색 제작 시 텍스처 정보가 손실되어 생성 3D 에셋의 시각적 디테일이 사라지는 문제를 해결하기 위해 GenMF가 텍스처 의존 외관 단서를 기하학 유도 음영으로 변환하고, 외관 보존과 제작 견고성의 균형을 맞추며 학습된 열-응력 예측기 기반의 미분 가능 응력 인식 정규화를 도입한다. 실험과 실제 3D 프린팅에서 GenMF가 단색 렌더링 하 외관 보존을 크게 향상시키고 응력 집중을 줄여 제작에 적합한 형태를 유지함을 보였다.