単一ショット縞パターン投影プロファイロメトリー（FPP）は、物体の三次元形状を縞パターンの位相情報から復元する技術です。従来のディープラーニング手法では、ニューラルネットワークが物体の深さ情報を直接回帰するアプローチが取られてきました。しかし本研究で指摘される問題は、これらのネットワークが「形状先験的ショートカット」と呼ばれる抜け道を利用してしまうという点です。すなわち、縞の位相情報から正当に深さを計算するのではなく、物体の境界線などの形状情報だけから深さを推定するようになってしまうのです。 実験では、1万5600枚の縞画像と50種類の物体を含む高精度な合成ベンチマークを使用し、従来のUNetベースラインは平均絶対誤差（MAE）14.54mmの性能で頭打ちになることを確認しました。興味深いことに、データを増やしたりモデルの容量を増やしたりしても、この限界は改善されません。なぜなら、オプティマイザーが探索する仮説空間そのものが変わらないからです。 本研究が提案するPhiCalNetは、包括的なアプローチにより、この問題を根本から解決します。具体的には、ネットワークの出力を直接的な深さではなく、ラップされた位相表現（sin φ、cos φ）とし、その後に固定された微分可能なキャリブレーション層を通じて深さにマッピングします。このアーキテクチャ上の工夫により、損失関数による罰則なしに、形状先験的なショートカット解を根本的に排除できます。結果として、物体のMAEは3.3倍から4.46mmへと大幅に削減され、位相の不連続点以外ではきわめて高い精度を実現しました。さらに三フレーム拡張版では1.16mmまで改善しています。