本文介绍了一种名为 Interacting Attention Graph Hand (IntagHand) 的网络，该网络利用图卷积网络 (GCN) 进行双手重建任务，引入了两个注意力模块 (PIFA 和 CHA) 解决双手重建中的遮挡和交互挑战，实现了从单个 RGB 图像重建两只相互作用的手，并在 InterHand2.6M 基准测试中取得了优异的成果。

Mar, 2022

本文提出了一个分解迭代框架来实现像素对齐的手部重建，同时有效地建模手部之间的空间关系，利用图卷积网络和变压器在 3D 联合特征空间中进行手部内部和交互信息交互，并通过在两个特征空间中进行多个交替增强来实现精确和稳健的相互作用手部重建。 与所有现有的两只手重建方法相比，我们的方法在 InterHand2.6M 数据集上的表现都有了很大的提高。同时，我们的方法展现了对野外图像的强大的泛化能力。

Feb, 2023

使用视觉的姿势估计技术及卷积神经网络架构，强化了自我关注模块让系统轻量化可在嵌入式系统中应用的新型人机交互方法。

Jan, 2020

该研究介绍了 Hand-CNN 这个新的卷积神经网络架构，用于在不受限条件下检测手的掩模和预测手的定向。此外，该研究还介绍了一个包含手部在限制松散条件下的图像的大型手部注释数据集。最后，该研究证明了 Hand-CNN 在多个数据集上的优越表现，同时也进行了手部检测的消融研究以证明所提出的上下文注意力机制的有效性。

Apr, 2019

本文提出了一种协作学习策略的算法，通过两个深度网络分支相互学习并解决注意力和联合信息传输的问题，实现鲁棒的手部和物体位姿估计与三维重建。

Apr, 2022

本研究提出了一种名为 ACR 的通过使用中心和部分基于注意力的特征提取的方法，显式缓解手之间和部件之间的相互依赖，以减少对输入的约束，同时加强对处理互动手的先验知识。经过各种数据集的评估，与最佳交互手方法相比，在 InterHand2.6M 数据集上表现显着更好，在 FreiHand 数据集上与最先进的单手方法的性能相当。更多对不同数据集的研究展示了本方法对任意手重建的有效性。

Mar, 2023

通过采用 LSTM 结构和深度估计模块，这篇论文提出了一种手部与物体联合特征融合的方法，成功提高了物体重建精度，适用于人体与物体交互研究。

Jun, 2020

本文提出了一种利用素材学习获取双手的网络来实现手的重建，其中考虑了两种不同的手表示法。通过引入 Mesh-Mano interaction blocks（MMIBs）以及 mesh alignment refinement module，我们的方法在 InterHand2.6M 基准上的表现优于现有的手重建方法，生成效果明显。

Mar, 2023

通过引入状态空间建模到手部姿态估计领域，我们提出了一种简单高效的三维手部网格重建网络 HandSSCA，其中设计了一种新颖的状态空间通道关注模块来提取空间维度上的手部特征并增强通道维度上的手部区域特征，实验结果表明我们的 HandSSCA 在重建完整且详细的手部网格方面达到了最先进的性能。

May, 2024

最近，3D 手部重建在人机合作中越来越受关注，特别是在手物互动场景中。然而，由于交互造成的严重手部遮挡问题，仍然存在巨大挑战，包括准确性和物理可信度的平衡、模型参数的高度非线性映射以及遮挡特征的增强。为了克服这些问题，我们提出了一种结合基于模型和无模型方法的 3D 手部重建网络，以在手物互动场景中平衡准确性和物理可信度。首先，我们提出了一种从 2D 关节点直接回归 MANO 姿势参数的新型模块，避免了从抽象图像特征进行高度非线性映射的过程，也不再依赖于准确的 3D 关节点。此外，我们进一步提出了一个由 MANO 引导的顶点 - 关节点相互图注意模型，共同精细化手部网格和关节点，模拟了顶点 - 顶点和关节点 - 关节点的依赖关系，并分别捕捉了顶点 - 关节点的相关性，以聚合图内节点和图间节点特征。实验结果表明，我们的方法在最新的基准数据集 HO3DV2 和 Dex-YCB 上取得了竞争性能，并且优于所有仅基于模型和无模型方法。

Mar, 2024