单张条纹图直接回归高度：混合Mamba-Transformer网络把RMSE压到0.548毫米
核心概要
单张高频条纹图重建三维面形，难点在于同时保住跨视场的空间一致性和局部几何细节：卷积网络的长程建模受限，窗口式Transformer的全局交互只能随深度逐步建立。混合Mamba-Transformer网络在Swin式U形架构的中等分辨率编码阶段引入视觉状态空间模块，并用轴向-膨胀视觉状态空间块在选择性扫描前增强方向性条纹特征。在公开条纹投影数据集上，该网络仅用一张变形条纹图取得0.548毫米的RMSE和0.9985的SSIM，RMSE相对UHRNet和HiDNet分别降低65.2%和59.6%。
深度剖析
单张变形条纹图可以直接回归出以毫米计的表面高度图，不再需要多步相移和时域相位展开。 多步相移与时域展开依赖连续采集多帧条纹，容易受运动误差影响，也难以用于动态场景；传统单帧方法如傅里叶变换轮廓术则受频谱泄漏、频率混叠和相位误差困扰。 在由公开条纹投影数据构建的统一训练与评测协议下，该网络取得0.195毫米的MAE、0.548毫米的RMSE、0.043的AbsRel和0.9985的SSIM，四项指标均优于hNet、SwinConvUNet、UHRNet和HiDNet。
网络把长程建模放在中等分辨率的编码阶段，让选择性状态空间扫描负责跨视场一致性，窗口注意力负责局部细节。 纯Swin的U形基线在L1阶段全部使用Swin Transformer块，把该阶段换成视觉状态空间块后，MAE从0.369毫米降到0.215毫米，RMSE从1.089毫米降到0.643毫米。 消融在3070对条纹-深度样本上进行，其中74个样本作为独立测试集，未参与参数优化和模型选择；把状态空间块同时扩展到最高分辨率的L0阶段并未带来进一步提升。
轴向-膨胀视觉状态空间块在四方向选择性扫描之前，用并行的局部、膨胀和轴向深度卷积改写输入特征。 与仅使用标准视觉状态空间块的配置相比，完整块把MAE从0.215毫米进一步降到0.195毫米，RMSE从0.643毫米降到0.548毫米。 去掉轴向分支后RMSE升至0.580毫米，去掉扫描后的局部残差注入后RMSE升至0.608毫米；完整配置在四项指标上均为最好。
启示与展望
验证范围是公开条纹投影数据集上768×512像素、含128条竖直条纹的第九帧单通道输入，测试集为3070个样本中固定留出的74个，未参与训练和模型选择；此外还展示了单个物体、两个空间分离物体和多个部分重叠物体的重建结果。
不同相机、投影系统、工作距离、条纹密度和物体材质下的泛化能力尚未建立；高反光或非朗伯表面、阴影、陡坡和低条纹调制区域仍可能出现局部偏高的误差。五通道输入在全部Swin架构上改善指标，却使两种选择性扫描架构变差，作者将其归因于简单通道拼接与当前扫描特征嵌入方式之间可能的不匹配，并指出需要进一步实验确定机制。