修复长距离单次条纹投影轮廓测量中的形状优先捷径

arXiv:2607.11928v1 公告类型：新摘要：直接回归深度的单次条纹投影轮廓测量（FPP）网络可以利用形状先验捷径，从对象边界而不是从条纹相位恢复深度。在真实感合成基准（15,600 个条纹图像，1.5-2.1 m 距离处的 50 个物体）上，14.54 mm 物体平均绝对误差 (MAE) 处的最佳 UNet 基线平台，更多的数据和更多的容量都不会消除捷径，因为两者都不会改变优化器搜索的假设空间。我们引入了 PhiCalNet，它输出一个包裹相位表示 $(\sin\phi, \cos\phi)$ 并通过固定的可微校准层将其映射到深度，从架构上消除形状先验解决方案，而不是通过损失惩罚。由于单次映射在没有条纹阶数的情况下是非内射的，因此 PhiCalNet 将条纹阶数作为辅助输入，灵敏度分析显示的假设可以容忍实际的解码错误；与软惩罚具有相同物理特性的物理信息 (PINN) 基线不会产生任何增益，从而将架构选择隔离为操作因素。 PhiCalNet 将对象 MAE 减少 3.3 倍至 4.46 毫米，其残差限制在 $\pm\pi$ 包裹不连续点处的像素的 0.103%，三帧扩展达到 1.16 毫米。两项检查一致：可解释性使相位成为最可解码的内部特征，而像素级共形不确定性量化（据我们所知，这是 FPP 的第一个）将误差定位在相同的不连续性处，其中通过快照不一致拒绝前 5% 的像素将均方根误差降低了 64%，而基线的均方根误差为 3.5%。