單次條紋投影輪廓測量（FPP）是一種利用投射條紋圖案並分析其畸變來獲取物體三維形狀的技術。近年來，深度學習網絡被廣泛應用於直接回歸深度，但研究人員發現，這些網絡可能利用一種稱為“形狀先驗捷徑”的漏洞：它們不是從條紋相位中學習深度，而是從物體邊界等特徵中推斷形狀。這種捷徑導致網絡性能上限，無法通過增加數據或模型容量來突破。
在一項新研究中，來自arXiv的作者提出了PhiCalNet，該網絡通過輸出包裹相位表示（sinφ, cosφ），並使用一個固定的可微校準層將其映射到深度，從而從架構上消除了形狀先驗捷徑。實驗基於一個包含15,600張條紋圖像的光照合成基準，涉及50個物體，距離在1.5至2.1米之間。最佳UNet基線在物體平均絕對誤差（MAE）上停滯於14.54毫米，而PhiCalNet將MAE降低3.3倍至4.46毫米，誤差主要侷限於±π包裹不連續處的0.103%像素內。進一步的三幀擴展版本實現了1.16毫米的誤差。
為驗證架構選擇的有效性，作者比較了具有同樣物理約束的物理信息神經網絡（PINN）基線，發現其並未帶來性能提升，從而確認了架構修改的關鍵作用。此外，研究首次在FPP中實現了像素級共形不確定性量化，能夠識別誤差來源。通過拒絕快照不一致性最高的5%像素，均方根誤差可降低64%，而基線僅降低3.5%。
這項工作為單次FPP中的深度迴歸提供了新思路，強調了架構設計在消除捷徑學習中的重要性。該研究是兩部分研究中的第二部分，第一部分（診斷部分）見arXiv:2606.17093。論文包含23頁和8張圖，作者為Adam Haroon等人。