诊断和修复长距离单次条纹投影轮廓测量中的形状优先捷径

arXiv:2606.17093v1 发布类型：新 摘要：基于学习的单次条纹投影轮廓测量法（FPP）主要在近距离进行研究。长距离范围（超过 1 m 的对峙）在很大程度上仍未得到解决：反平方强度衰减降低了条纹信噪比并降低了物理地面实况，单次问题是不适定的，因为一幅图像中不存在条纹阶信息，并且这些架构尚未得到机械研究。我们提出了一项诊断-修复-验证研究，使用机械可解释性（MI）和保形不确定性量化（UQ）作为收敛诊断：它们在一个物理故障轨迹上达成一致，驱动和验证架构修复。在真实感合成基准（15,600 张条纹图像，1.5-2.1 m 处的 50 个物体）上，最佳 UNet 基线达到 14.54 mm 物体平均绝对误差 (MAE)。三种探针（线性探测、Grad-CAM、平面分布外测试）汇聚：基线通过对象边界形状先验而不是边缘相位解码来解决任务。我们用 PhiCalNet 修复这个问题，它输出包裹相位而不是深度，并应用固定的可微校准层将相位映射到深度，从架构上从假设空间中删除形状先验解决方案，而不是通过损失惩罚。物理告知损失在深度回归网络上强制执行与软惩罚相同的物理原理，不会产生可测量的增益，从而将架构隔离为操作因素。 PhiCalNet 将物体 MAE 减少 3.3 倍至 4.46 毫米；残差由 +/-pi 环绕不连续点处的 0.103% 像素携带。像素级共形 UQ 证实了诊断：通过快照不一致拒绝前 5% 的对象像素，将 PhiCalNet RMSE 降低了 64% (20.6->7.4 mm)，而基线则降低了 3.5%。 MI 和 UQ 收敛于相同的故障轨迹。