学習ベースの単発フリンジ投影プロフィロメトリ（FPP）はこれまで主に近距離領域で研究されてきた。1 mを超える長距離領域はほとんど未着手のままであり、以下の3つの課題が存在する。逆二乗則による強度減衰がフリンジ信号対雑音比を低下させ物理的グラウンドトゥルースを劣化させること、単一画像からはフリンジ次数情報が欠落するため単発問題が不良設定であること、そしてこれらのアーキテクチャがメカニスティックに研究されていないことである。これに対処するため、Adam Haroonらは診断-修復-検証研究を実施し、メカニスティック解釈可能性（MI）と共形不確実性定量化（UQ）を収束する診断ツールとして用いた。両者は同一の物理的故障箇所で一致し、アーキテクチャ修復の駆動と検証を行った。
研究チームはフォトリアリスティックな合成ベンチマークを構築した。15,600枚のフリンジ画像、50物体、距離1.5〜2.1 mの範囲である。このベンチマークで最良のUNetベースラインは物体平均絶対誤差（MAE）14.54 mmを達成した。しかし3つのプローブ（線形プロービング、Grad-CAM、平面分布外テスト）が一致して示したのは、ベースラインがフリンジ位相デコードではなく物体境界の形状事前分布によってタスクを解いているという事実である。これはモデルが物理的測定原理ではなくショートカットを学習していることを意味する。
この問題を修復するため、著者らはPhiCalNetを提案する。このアーキテクチャは深度を直接出力せずラップ位相を出力し、固定された微分可能キャリブレーション層によって位相を深度にマッピングする。これにより形状事前分布の解を損失ペナルティではなくアーキテクチャ設計によって仮説空間から除去する。対照実験として、同じ物理をソフトペナルティとして深度回帰ネットワークに課す物理情報損失を適用したが、測定可能なゲインは得られず、有効因子がアーキテクチャであることが特定された。
性能評価では、PhiCalNetは物体MAEを3.3倍改善し4.46 mmに低減した。残差は±πラップ不連続部のわずか0.103%のピクセルに集中している。ピクセル単位の共形UQは診断をさらに裏付ける。スナップショット不一致に基づいて物体ピクセルの上位5%を棄却すると、PhiCalNetのRMSEは20.6 mmから7.4 mmへ64%減少するのに対し、ベースラインの減少は3.5%にとどまる。MIとUQは同一の故障箇所で収束し、一貫した診断証拠の連鎖を形成している。
本研究の意義は、メカニスティック解釈可能性と共形不確実性定量化を組み合わせることで、物理測定タスクにおける深層学習モデルのショートカット学習を系統的に診断し、損失エンジニアリングではなくアーキテクチャ設計によって修復する方法を示した点にある。このアプローチは長距離単発FPPに新たな道を開くだけでなく、他の物理認識深層学習タスクにも応用可能な診断-修復パラダイムを提供する。論文は44ページ、27図からなり、arXivの機械学習（cs.LG）および画像・動画処理（eess.IV）カテゴリに掲載されている。