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

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

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

通过单视角到多视角自适应的 SiMA-Hand 方法，在 3D 手部网格估计中解决了遮挡问题，并且在重建性能上取得了卓越的表现。

Feb, 2024

本研究提出了一种使用 YouTube 视频的弱监督网格卷积系统的简单而高效的单目 3D 手部姿势估计网络架构，大大优于最先进的方法，在野外基准测试中将误差减半。

Apr, 2020

该研究提出了一种使用端到端方法从立体相机中估计完整的三维手势姿态的方法，通过神经网络架构的扩展，该方法能够更好地实现稀疏视差手关节的估计，并且提出了一种大规模的合成数据集来有效训练模型。

Jun, 2022

研究提出了 MLPHand，一种用于实时多视图单手重建的新方法。MLPHand 包含两个主要模块：轻量级的基于 MLP 的 Skeleton2Mesh 模型，以及使用多视图几何特征融合预测模块增强 Skeleton2Mesh 模型。实验表明，MLPHand 可以在保持与现有最先进方法相当的重建准确性的同时，将计算复杂度减少 90%。

Jun, 2024

该论文提出了一种学习为基础的方法，使用 3D 姿态信息来合成逼真、多样和保留 3D 姿态的手图像，并通过基于几何的课程学习策略使增强数据能够持续提高最先进的 3D 手位姿估计器的定量性能。

Oct, 2020

我们提出了一种实时且真实感十足的手部重建方法，称为 3D Points Splatting Hand Reconstruction（3D-PSHR）。我们通过自适应规范点上采样策略实现了高分辨率的手部几何表示，同时提出了一种自适应变形方法，将手部从规范空间变形到目标姿势，适应规范点的动态变化，这种方法相比于常见的 MANO 模型细分，具有更大的灵活性和更好的几何拟合效果。为了建模纹理，我们将外观颜色分解为内在的颜色和姿势感知的阴影，并通过上下文关注模块进行学习。此外，我们的方法允许在端到端的方式下同时训练几何和外观模型。我们通过多个数据集展示了我们的方法能够产生可动画的、逼真的、可重新照明的手部重建结果，包括用手持智能手机捕捉的单目视频和包含多种手部姿势的大规模多视角视频。同时，我们还证明了我们的方法在实时渲染速度方面保持卓越性能，优于现有的最先进方法。

Dec, 2023

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