深入学习手势姿态估计
使用新的 3D 神经网络架构，通过深度图到三维体积表示的转化，直接对手的三维姿态进行估计，无需进一步处理。同时通过合成深度图来增加训练数据覆盖率，在公开数据上达到了最优性能。
Apr, 2017
该论文提出了一种新方法，利用多视角投影和学习的姿态先验，通过多视角热图来回归手部姿态，最终得出三维手势估计，实验表明该方法在难以应对的数据集上取得了优异表现。
Jun, 2016
DeepPrior 是一种基于深度学习的简单方法，用于预测深度图中手的三维位置，通过添加 ResNet 层、数据增强和更好的手部定位，我们实现了比更复杂的近期方法更好或类似的性能。
Aug, 2017
本文提出了一种基于区域集成网络技术的 3D 手部姿态估计方法，通过引入数据增强和平滑 L1 损失来提高卷积神经网络的性能并实现手部关节的定位精度，实验结果表明该方法在三个公共数据集上均达到了最佳表现，并在手指尖检测和人体姿态估计上取得了最高精度。
Jul, 2017
通过使用卷积神经网络结构，从单个深度图像中学习手部姿势，骨骼比例和复杂形状参数，以及使用一个新的手部姿势和形状层来产生 3D 关节位置和手部网格，利用 SynHand5M 数据集，在综合数据集上展示了良好的效果。
Aug, 2018
通过 HIM2017 数据集，分析了当前十大最先进的 3D 手势估计方法在三个任务上的表现，探究了不同的 CNN 结构对手的形状、关节可见度、视角和关节分布的表现，结果表明孤立的 3D 手势估计在视角范围 [70,120] 度时的平均误差较低（10 毫米），但对于极端视角的估计还远未完成。
Dec, 2017
利用先前计算好的人工建模和先验知识，结合深度学习的方法实现了从 RGB 图像中预测手部形状和姿态，结果显示出在标准基准测试中表现出最新颖的 3D 姿态预测效果，同时在弱监督下训练的模型也能够很好的应用于在实际环境中的 3D 形状和姿态预测。
Feb, 2019
本文提出了一种全数据驱动的方法来估计深度图像中手部的 3D 姿态，使用反馈回路来校正卷积神经网络训练过程中产生的误差，利用优化的深度网络来取代将 3D 模型拟合到输入数据中的需求，并表现出比现有最先进的方法更好的性能，实现速度高达 400 fps。
Sep, 2016
该研究提出一种通过反馈循环纠正卷积神经网络预测手的三维姿态估计的方法，使用深度神经网络同时估计手和物体的三维姿态，并在单个 GPU 上实时运行，性能好于现有方法。
Mar, 2019