長距離 FPP での形状事前分布への依存を解消し誤差を 3.3 倍削減
物理制約を組み込んだ PhiCalNet で位相デコードを強制し、深層学習モデルのショートカット学習を排除。（原題: Diagnosing and Repairing Shape-Prior Shortcuts in Long-Range Single-Shot Fringe Projection Profilometry）
リリース: 2026-06-13 · 読了 5 分記事の要約
1. 核心（What）
- 長距離（1m以上）の単一ショット FPP において、UNet ベースラインの MAE は 14.54 mm であった。
- 提案手法 PhiCalNet は MAE を 4.46 mm に改善し、精度を 3.3 倍向上させた。
- Conformal UQ（不確実性定量化）を用いたフィルタリングにより、PhiCalNet の RMSE を 20.6 mm から 7.4 mm へ 64% 削減した。
- ベースラインの失敗原因は、位相デコードではなく物体境界の形状事前分布を利用したショートカット学習にあることを MI（機械論的解釈性）で特定。
2. 影響（Why）
- 深層学習を用いた物理計測において、モデルが「物理法則」ではなく「データセットの形状バイアス」を学習している可能性を定量的に排除しなければ、未知の環境で精度が崩壊する。
- 物理制約を単なる損失関数（Loss Penalty）として導入しても改善しない場合、アーキテクチャ自体を物理モデルに適合させる設計変更が必要である。
- 開発者への影響: 物理計測タスクを扱う開発者は、モデルの予測根拠を機械論的解釈性で検証し、物理的に不可能なショートカット学習が発生していないかを確認すべきである。
- 日本への影響: 国内固有の追加文脈は限定的（汎用的に有用）。
3. 根拠・詳細（How）
- Photorealistic Synthetic Benchmark (MAE): スコア 4.46（baseline 14.54）
- arXiv (2026-06-13 公開)