Naukowcy z pracy arXiv:2607.11928 wykazali, że sieci neuronowe do jednokadrowej projekcji prążków (FPP) mogą manipulować danymi, odtwarzając głębię z samych konturów obiektów zamiast z rzeczywistej fazy optycznej. Na syntetycznym benchmarku zawierającym 15600 obrazów prążków i 50 obiektów w odległości 1,5-2,1 metra najlepszy model UNet osiągał błąd średni 14,54 mm, a ani dodatkowe dane ani większa pojemność sieci nie pomagały, ponieważ problem tkwił głębiej - w sposobie przeszukiwania przestrzeni rozwiązań.
Rozwiązaniem jest PhiCalNet, które zmienia architekturę całkowicie. Zamiast bezpośrednio przewidywać głębię, sieć wyjściuje reprezentację fazy opakanej jako parę (sin-phi, cos-phi), a następnie przepuszcza ją przez stałą warstwę kalibracyjną, która konwertuje fazę na głębię przy użyciu znanych równań fizyki. To podejście eliminuje możliwość wykorzystania skrótu myślowego nie poprzez surowe funkcje straty, ale przez zmianę samej architektury - nie ma już drogi do rozwiązania bez prawdziwej analizy prążków. Sieć wymaga podania kolejności rzędu prążków jako dodatkowego wejścia, ale analiza wrażliwości pokazuje że toleruje realistyczne błędy dekodowania.
Wyniki są imponujące: PhiCalNet zmniejsza błąd średni do 4,46 mm (3,3 razy lepiej), a błędy pozostają skoncentrowane przy nieciągłościach fazy. Rozszerzenie do trzech klatek osiąga 1,16 mm. Badacze dodali też pierwsze dla FPP probabilistyczne oszacowanie niepewności, lokalizując gdzie sieć jest mniej pewna. To pokazuje że zmiana architektury, a nie tylko wagi w funkcji straty, jest kluczowa do zwalczania problemów fundamentalnych w głębokim uczeniu.