단일 샷 줄무늬 투영 윤곽법(FPP)은 실시간 측정, 동적 객체 재구성, 움직임에 민감한 환경을 위해 활발히 연구되었다. 복합 줄무늬 패턴은 단일 샷 FPP에서 유리한데, 하나의 패턴에 여러 주파수 성분을 인코딩할 수 있어 위상 모호성 해결이 가능하기 때문이다. 기존 접근법은 주로 푸리에 변환 기반 방법이나 지도 학습 심층 학습 방법에 의존한다. 하지만 푸리에 변환 기반 방법은 정확도가 제한되고 복잡한 영역에서 성능이 저하되는 경우가 많으며, 지도 학습 방법은 dense 위상 또는 깊이 라벨이 필요하고 이를 획득하는 비용이 크다. 본 연구에서는 위상 또는 깊이 라벨이 필요 없이 단일 샷 복합 줄무늬 패턴을 위한 자기지도 위상 정제 프레임워크를 제안한다. 제안 방법은 저주파수와 고주파수 위상 기울기 사이의 크기 및 방향 관계를 활용하여 위상 분리의 신뢰성을 높인다. 또한 객체 경계와 세밀한 기하 구조를 보존하기 위해 소프트 에지 일관성 손실을 도입한다. 실험 결과, 제안 방법은 MAE_z와 RMSE_z가 각각 0.367 mm와 1.804 mm를 달성하여, 0.402 mm와 2.785 mm를 얻는 최고 성능의 변환 기반 기준선을 능가했다. 제안 방법은 또한 유효 픽셀 비율을 84.75%에서 95.07%로 향상했다. 이 결과는 ground-truth 라벨 지도 없이도 신뢰할 수 있는 단일 샷 3D 재구성을 위해 자기지도 이중 주파수 위상 정제의 효과를 보여준다.
본 논문은 상업적으로 성공한 GelSight 센서가 개척한 비전 기반 촉각 감지(vision-based tactile sensing) 계열에 속하는 디지털 프린지 투영(DFP) 시스템을 기반으로 하는 접촉 기반 3차원 표면 측정 방법을 제시합니다. 이러한 센서들은 로봇 손가락 끝 조작 및 접촉 감지에 효과적인 것으로 입증되었습니다. 그러나 GelSight는 RGB LED를 사용하는 포토메트릭 스테레오(photometric stereo)를 사용하기 때문에 절대 깊이를 직접 측정하지 않고 추정된 표면 기울기를 적분하여 추론하며, 이로 인해 재구성 오류가 누적될 수 있습니다. 또한 감지 영역이 커질수록 보정이 점점 어려워지며, 고반사성 또는 투명 물체에 대해서는 깊이 정확도에 한계가 있습니다. 이러한 단점을 극복하기 위해, 본 연구에서는 코팅된 실리콘 접촉 표면에서 삼각측량 기반 3차원 재구성을 수행하는 프린지 투영 기반 접촉 측정 기법을 제안합니다. 이는 접촉 영역에 걸쳐 조밀한 픽셀별 표면 기하학 및 전체 영역(full-field) 3차원 형상 측정을 제공합니다. 고정밀 디지털 프린지 투영을 센서에 통합함으로써, 제안하는 접근 방식은 더 넓은 영역에 대한 보정을 단순화하고 복잡한 표면에 대한 깊이 정밀도를 향상시킵니다. GelSight Mini 센서와의 직접 비교, 구 피팅(sphere-fitting) 정확도 평가, 불확실성 분석을 포함한 실험 결과는, 제안된 방법이 구조광(structured-light) 기반 3차원 측정의 정확도와 안정성을 크게 향상시켜 다양한 광학적 특성을 가진 물체의 신뢰할 수 있는 재구성을 가능하게 함을 확인했습니다.
학습 기반 단일 촬영 프린지 투영 형상측정(FPP)은 대부분 근거리에서 연구되어 왔다. 장거리 영역(1 m 이상의 이격 거리)은 여전히 거의 다루어지지 않았다. 역제곱 강도 감쇠가 프린지 신호 대 잡음비를 낮추고 물리적 실측값(ground truth)을 저하시키며, 단일 촬영 문제는 한 장의 이미지에서 프린지 차수 정보가 없기 때문에 부정식(ill-posed)이고, 이러한 아키텍처는 기계적으로 연구된 적이 없다. 우리는 기계적 해석가능성(MI)과 준수형(conformal) 불확실성 정량화(UQ)를 수렴적 진단 수단으로 사용하는 진단-복구-검증 연구를 제시한다. 이들은 하나의 물리적 실패 지점에 대해 일치하며, 이를 통해 아키텍처 수준의 복구를 이끌고 검증한다. 사실적(photorealistic) 합성 벤치마크(1.5–2.1 m에서 50개 객체, 15,600장의 프린지 이미지)에서 최고의 UNet 기준선은 14.54 mm의 객체 평균 절대 오차(MAE)에 도달한다. 세 가지 탐침(선형 프로빙, Grad-CAM, 평면 분포 외(out-of-distribution) 테스트)이 수렴한다. 기준선은 프린지 위상 디코딩이 아니라 객체 경계의 형상 사전(shape prior)을 통해 과제를 해결한다. 우리는 깊이가 아닌 래핑된(wrapped) 위상을 출력하고 위상을 깊이로 매핑하는 고정된 미분 가능한 보정 층을 적용하는 PhiCalNet으로 이를 복구한다. 이를 통해 형상 사전 해를 손실 페널티가 아닌 아키텍처적으로 가설 공간에서 제거한다. 깊이 회귀 네트워크에 동일한 물리를 소프트 페널티로 강제하는 물리 정보 기반 손실은 측정 가능한 이득을 주지 않아, 아키텍처가 작동 요인임을 분리한다. PhiCalNet은 객체 MAE를 3.3배 감소시켜 4.46 mm에 이르게 한다. 잔차는 ±π 래핑 불연속 지점에서 0.103%의 픽셀에 의해 담당된다. 픽셀 단위 준수형 UQ가 진단을 확인한다. 스냅샷 불일치에 따라 객체 픽셀 상위 5%를 거부하면 PhiCalNet RMSE가 64% 감소한다(20.6→7.4 mm), 기준선의 경우 3.5%에 비해. MI와 UQ는 동일한 실패 지점에서 수렴한다.
프린지 투영 형상측정(FPP)에서는 일반적으로 각 카메라 픽셀에서 위상-깊이 관계를 독립적으로 fitting하여 깊이를 복원한다. 이러한 픽셀별 보정은 높은 국소 정확도를 달성하지만, 동일한 매끄러운 표면을 관측함에도 인접 픽셀이 현저히 다른 보정 함수를 갖게 될 수 있어 공간적으로 불일치하는 기하와 구조화된 표면 아티팩트를 유발한다. 우리는 모든 픽셀이 독립적인 픽셀별 fitting 대신, 왜곡 보정된 기준 카메라 격자 위의 전역 위상 스칼라와 아핀 공간 항을 결합한 단일 저차원 매핑을 공유하는 공간 결합 위상-깊이 변환을 제안하며, 선택적으로 경계가 있는 공간적으로 매끄러운 보정 필드로 이를 보강한다. 또한 기준 카메라 격자에서 직접 위상-깊이 보정 쌍을 구성하는 네이티브 격자 페어링 방식을 도입한다. 깊이 supervision이 rectified active-stereo 파이프라인에서 제공되는 경우, 스테레오 3D에서 평면을 fitting하고 네이티브 광선을 따라 카메라 격자로 다시 샘플링하므로 위상 맵은 rectification되지 않는다. 고해상도 스캐너 그라운드 트루스를 갖춘 치과 표적에 대해, 제안 모델은 active-stereo 기준과 비슷한 점-표면 RMSE(전체 약 12μm)를 달성하면서 픽셀별 다항식 및 유리 함수 보정 대비 공간적 일관성을 크게 향상시키고, 런타임 매핑을 픽셀당 소수의 요소별 연산으로 줄여 매개변수 저장 공간도 거의 필요하지 않다.