单次条纹投影轮廓测量（FPP）是一种利用投射条纹图案并分析其畸变来获取物体三维形状的技术。近年来，深度学习网络被广泛应用于直接回归深度，但研究人员发现，这些网络可能利用一种称为“形状先验捷径”的漏洞：它们不是从条纹相位中学习深度，而是从物体边界等特征中推断形状。这种捷径导致网络性能上限，无法通过增加数据或模型容量来突破。
在一项新研究中，来自arXiv的作者提出了PhiCalNet，该网络通过输出包裹相位表示（sinφ, cosφ），并使用一个固定的可微校准层将其映射到深度，从而从架构上消除了形状先验捷径。实验基于一个包含15,600张条纹图像的光照合成基准，涉及50个物体，距离在1.5至2.1米之间。最佳UNet基线在物体平均绝对误差（MAE）上停滞于14.54毫米，而PhiCalNet将MAE降低3.3倍至4.46毫米，误差主要局限于±π包裹不连续处的0.103%像素内。进一步的三帧扩展版本实现了1.16毫米的误差。
为验证架构选择的有效性，作者比较了具有同样物理约束的物理信息神经网络（PINN）基线，发现其并未带来性能提升，从而确认了架构修改的关键作用。此外，研究首次在FPP中实现了像素级共形不确定性量化，能够识别误差来源。通过拒绝快照不一致性最高的5%像素，均方根误差可降低64%，而基线仅降低3.5%。
这项工作为单次FPP中的深度回归提供了新思路，强调了架构设计在消除捷径学习中的重要性。该研究是两部分研究中的第二部分，第一部分（诊断部分）见arXiv:2606.17093。论文包含23页和8张图，作者为Adam Haroon等人。