为突破深度学习模型在跨域场景中的泛化瓶颈，本研究提出如图1所示的跨域学习框架（Cross-domain Learning, CDL）。该框架通过动态合成网络结构，使模型能够自适应不同成像系统与环境条件。其核心由两大模块构成：混合专家网络（MoE）与门控神经网络（Gating Neural NeTWork, GNN）。在具体实现中，MoE模块包含多个并行专家网络，每个专家通过大量数据训练，专门掌握特定场景（如不同光照条件、系统参数）下的条纹图像分析能力。门控网络GNN则如同智能调度中枢，实时分析输入条纹图像的特征，动态调整各专家网络的权重占比。这种“分而治之”的策略，使得模型在处理未知环境数据时，能自动融合最相关专家的特征提取能力。当输入待测条纹图像后，CDL框架首先通过门控网络生成权重分布，随后将多个专家网络的输出特征进行加权融合，最终通过反正切函数解析出高精度相位信息。这种动态合成机制赋予了模型“举一反三”的能力，即使面对训练数据中未出现的新系统、新环境，也能通过特征组合实现稳定重建。

图1：跨域学习框架设计原理与工作流程图

在实验中，研究人员构建了一个由三个专家网络组成的跨域学习框架（CDL），以验证所提出方法的有效性，并采用自监督策略对专家网络进行预训练。如图2所示，专家网络基于Res-UNet架构设计，并在预训练阶段采用去噪自编码器方法，即通过训练网络去除条纹图像中人为添加的噪声，引导模型学习图像中的深层次特征表示。为进行对比，研究人员还构建了两个对照模型：基线网络（Baseline model）和通才网络（Generalist model）。基线网络在结构上与专家网络一致，但仅在训练过程中接触来自特定系统或特定环境的条纹图像，缺乏跨域信息。而通才网络同样采用与专家网络相同的结构，其训练过程是一次性学习了所有来自不同系统与环境的条纹图像，其训练数据域与跨域学习框架一致，旨在评估在无专家协同机制下的模型性能表现。

图2：专家网络结构以及自监督训练过程示意图

为验证跨域学习框架对未知场景的适应性，研究团队在图3中对比了三种方法在四种典型跨域场景下的相位误差与三维重建效果。如图3(a)所示，实验涵盖未知条纹频率、对比度、投影角度及环境光干扰等复杂条件。图3(b)展示了处理未知频率条纹时三维重建的对比效果：基线网络与通才网络在面部、颈部区域出现明显波纹畸变，而跨域学习框架则忠实还原了五官轮廓与曲面细节。通过选取眼窝、下颌线等特征区域进行横截面分析（图3(c)(d)），可见该框架重建曲线与12步相移法的基准结果高度吻合，证实其在不同数据域下的可靠性。

图3：跨域学习框架在未知数据域上三维重建结果测试

此外，为验证所提出的跨域学习框架在未知场景下的动态三维重建能力，研究团队在三种未见频率的条纹照明条件下，开展了针对不同转速风扇的三维重建实验。图4展示了风扇整个动态过程的三维重建结果，同时在下方绘制了风扇上三个选定点（A、B、C）在Z方向的位移变化曲线。对于频率为110的未见条纹图像，其动态三维重建结果表明风扇的旋转周期为140毫秒，对应的转速为425转/分钟（RPM）。而对于频率为115和120的条纹图像，其动态三维重建结果显示风扇的旋转周期分别为150毫秒和160毫秒，所对应的转速为400 RPM和375 RPM，测量结果与风扇的设定转速一致。根据上述动态三维重建结果，尽管CDL模型在训练阶段从未见过这些频率下的动态条纹图像，仍能够准确重建旋转风扇叶片的三维轮廓，展现出良好的跨域泛化能力。

图4：跨域学习框架在未知场景下对不同转速旋转风扇的动态三维重建效果

本研究提出了一种融合多专家协作机制与自监督训练的跨域条纹分析框架，有效解决了传统方法在复杂场景下的泛化瓶颈。该框架通过多个专家网络模块的协同工作，实现了对未知系统与环境的高适应性。多专家网络分别针对不同频率、对比度的条纹特征进行解析，再通过由门网络主导的动态权重融合机制实现专家协作，使模型能够自主适应未见过的系统参数、环境光照等条件。本方法有望提升基于深度学习的结构光三维成像技术在更广泛应用场景中的有效性。