本文提出了一种名为 HMR 的端到端框架，可从单个 RGB 图像恢复人体的完整 3D 网格，通过优化关键点的后投影损失来训练模型，并使用对抗神经网络解决了模型参数欠约束的问题，最终实现了在野外图像中直接从像素预测人体姿态和形状参数的目标。

Dec, 2017

利用虚拟现实、增强现实和手势控制等技术的快速发展，用户期望与计算机界面的交互更加自然和直观。本研究提出了一种网络模型，可从单目 RGB 图像中恢复相机空间中的 3D 手部网格，以实现准确和可靠的绝对空间预测。通过在大规模手部数据集 FreiHAND 上的评估，我们证明了我们提出的模型与最先进的模型具有可比性，为各种人机交互应用中的准确可靠的绝对空间预测技术的发展做出了贡献。

May, 2024

该论文提出了一种基于三个阶段的新型流程，通过联合阶段、网格阶段和细化阶段，实现准确的手部姿势和形状的 3D 网格重建，从而达到较高的手 - 图像对齐精度和实时性。该流程在基准数据集上具有优越的结果，证明了其高质量的手 - 网格 / 姿态预测和图像对齐性能。

Sep, 2021

从单眼输入中重建 3D 手部，利用基于 Transformer 的 HaMeR 方法，通过大规模数据训练和深度网络容量的扩展，对手部进行精确且鲁棒性增强的分析，并在流行的 3D 手部姿势基准测试中始终优于先前基准线。

Dec, 2023

该研究介绍了一种利用已知关节点之间语义关系和 1D 投影来恢复单个 RGB 图像的相机空间 3D 手部网格的方法，并在流行的数据集上展示了该方法在根相对网格恢复和根恢复方面的最新成果。

Mar, 2021

本文通过引入一个可学习的模型 BiHand，使用一种新颖的双向设计来进行 3D 手部估计和网格恢复，该模型可以在多项评估实验中展现出高准确度，对比现有的研究成果具有一定的优越性。

Aug, 2020

提出了一种单视图手部网格重建框架，采用 2D 编码和 3D 解码，结合了轻量级有效的堆叠结构和深度可分螺旋卷积的高精度和高速度，并通过特征提升模块实现 2D 和 3D 表示之间的桥梁。实验证明，该框架达到了优越的重建精度和时间上的一致性，具有超高的推理速度。

Dec, 2021

综合手部网格恢复（Holistic Hand Mesh Recovery，HHMR）是一种能够实现直接手部网格生成、修复、重建和拟合的综合性手部网格恢复方法，通过单一的生成模型实现不同任务只需要提供不同的条件信号，该方法基于图卷积和注意机制实现全息手部网格恢复，并提出了一种条件对齐梯度引导方法，提高了手部网格重建和拟合的准确率。实验表明，该方法在多个手部网格恢复任务上的性能优于现有方法，为下游应用如姿势识别、网格编辑等提供了更多可能性。

Jun, 2024

本篇文章调查了单目三维人体网格恢复的相关任务，包括身体模型，恢复框架 / 训练目标，数据集评估指标和评测结果，并从优势和劣势方面深入分析了两种范式：优化和回归。作者希望激励研究人员的兴趣，促进该领域的研究。

Mar, 2022

本文提出了一种基于图形卷积神经网络的方法，从单个 RGB 图像中估算手的 3D 形状和姿态，并通过含 3D 地面真值的大规模合成数据集和深度图弱监督学习进行训练，结果表明可以对手的 3D 网格进行准确和合理的重建，并在与现有最先进方法的比较中达到了更高的 3D 姿态估计准确性。

Mar, 2019