基于学习的单帧条纹投影轮廓术（FPP）此前主要局限于近距离场景，而工作距离超过 1 米的远距离 regime 一直缺乏系统研究。远距离带来三重挑战：平方反比强度衰减导致条纹信噪比下降和物理真值退化；单帧图像缺失条纹级次信息，使问题呈病态；相关网络架构也从未被机制性地剖析。为应对这些挑战，Adam Haroon 等作者开展了一项诊断-修复-验证研究，以机制可解释性（MI）和共形不确定性量化（UQ）作为收敛的诊断工具，二者共同锁定同一物理失效点，并驱动和验证架构层面的修复。
研究团队构建了一个照片级逼真的合成基准，包含 15,600 张条纹图像，覆盖 50 个物体，距离范围 1.5 至 2.1 米。在此基准上，最佳 UNet 基线达到 14.54 毫米的物体平均绝对误差（MAE）。然而，三项探针——线性探针、Grad-CAM 和平面分布外测试——一致表明，基线实际上是通过物体边界形状先验来解决问题，而非解码条纹相位。这意味着模型学到的是捷径，而非真正的物理测量原理。
为解决这一问题，作者提出 PhiCalNet。该架构不直接输出深度，而是输出包裹相位（wrapped phase），再通过一个固定的可微分校准层将相位映射为深度。这一设计从假设空间中架构性地移除了形状先验解，而非依赖损失函数惩罚。作为对照，一个物理信息损失函数以软惩罚方式在深度回归网络上施加相同物理约束，但未产生可测量增益，从而将架构确定为有效因素。
性能评估显示，PhiCalNet 将物体 MAE 降低 3.3 倍，达到 4.46 毫米。残余误差集中在 ±π 包裹不连续处，仅由 0.103% 的像素承担。像素级共形 UQ 进一步验证了诊断：按快照分歧剔除物体像素中分歧最大的 5% 后，PhiCalNet 的均方根误差（RMSE）从 20.6 毫米降至 7.4 毫米，降幅 64%，而基线仅降低 3.5%。机制可解释性与不确定性量化在相同失效点上收敛，形成一致的诊断证据链。
这项研究的意义在于，它展示了如何将机制可解释性与共形不确定性量化结合起来，系统性地诊断深度学习模型在物理测量任务中的捷径学习问题，并通过架构设计而非损失工程实现修复。该方法为远距离单帧 FPP 提供了新的思路，也为其他物理感知的深度学习任务提供了可借鉴的诊断-修复范式。论文共 44 页、27 幅图，已被 arXiv 收录于机器学习（cs.LG）和图像与视频处理（eess.IV）类别。