단일 샷 프린지 투영 프로파일로메트리(FPP)는 한 번의 이미지 촬영으로 3D 깊이 정보를 얻는 기술입니다. 하지만 기존 FPP 신경망은 물체의 윤곽선(shape-prior shortcut)에만 의존하여 깊이를 추정하는 '꼼수'를 부려 정확도에 한계가 있었습니다. 1.5~2.1미터 거리의 물체를 대상으로 한 테스트에서 기존 UNet 기반 모델은 평균 절대 오차(MAE)가 14.54mm에 달했으며, 더 많은 데이터나 모델 용량으로도 이 문제가 해결되지 않았습니다.
이 문제를 해결하기 위해 연구진은 PhiCalNet이라는 새로운 신경망 아키텍처를 제안했습니다. PhiCalNet은 깊이를 직접 추정하는 대신, 래핑된 위상 표현($\sin\phi, \cos\phi$)을 출력하고 이를 고정된 미분 가능한 캘리브레이션 레이어를 통해 깊이로 변환합니다. 이는 물체 윤곽선에 의존하는 꼼수를 구조적으로 제거하는 방식입니다. PhiCalNet은 프린지 순서(fringe order)를 보조 입력으로 활용하며, 실제 디코딩 오류를 허용할 수 있음을 민감도 분석을 통해 확인했습니다. 그 결과, PhiCalNet은 물체 MAE를 3.3배 개선하여 4.46mm까지 줄였으며, 3프레임 확장 시 1.16mm까지 정확도를 높였습니다.
이러한 정확도 향상은 자율주행 로봇의 환경 인식, 산업 현장의 정밀 검사, 증강 현실(AR) 및 가상 현실(VR) 애플리케이션 등 다양한 분야에 큰 영향을 미칠 것입니다. 특히 장거리에서 단일 샷으로 높은 정확도의 3D 스캔이 가능해지면서, 실시간으로 복잡한 환경을 모델링해야 하는 애플리케이션의 성능을 크게 개선할 수 있습니다. PhiCalNet의 접근 방식은 단순히 손실 함수에 페널티를 추가하는 것이 아니라, 신경망의 아키텍처 자체를 변경하여 근본적인 문제를 해결했다는 점에서 중요한 의미를 가집니다.