课题论述了指示性手势的意义是基于其信息评估的条件；只有通过信息评估，指示性手势才能达到准语言水平，与口头内容进行交互；交互可以是虚无的，或通过通常由词汇驱动的推理加以规范；信息评估通过感知分类来解释，从手势的视觉图标模型中推导出；我们进一步论证了视觉传达的实例的感知分类需要与 Frege / Montague 框架中的意义不同的概念；因此，我们提供了一个能够指导工作中的语义学家进行手势解释的启发式方法；总结而言，本研究介绍了一种图标手势语义，涵盖了从动态语义框架中运动手势的表征到模型论评估到推理解释的全部范围。

Apr, 2024

使用运动捕捉数据对奥地利手语（OGS）的动词和形容词产生的运动参数进行了定量表征，结果发现动词的种类（有终点和无终点）通过峰值速度和持续时间的差异来区分，而在形容词中的强调程度则通过持续时间的长短来表达。

May, 2024

这篇论文研究了自然环境下手语的自动处理，包括手指拼写、手势识别和手语翻译，并提出了新的数据集、任务和方法。

Aug, 2023

手语识别和翻译技术有潜力提高聋人手语社区的参与和包容性，但由于缺乏代表性数据，研究进展受到限制。我们引入了美国手语（ASL）建模的新资源，即 Sem-Lex 基准。该基准是目前最大的资源，包含超过 84,000 个由同意并得到补偿的聋人 ASL 手语者的孤立手语视频。我们使用 ASL-LEX 的语言信息进行一系列实验证明了 Sem-Lex 基准在孤立手语识别方面的实用性和公平性。我们使用 SL-GCN 模型显示，语音特征可达到 85% 的准确率，并且作为辅助目标对孤立手语识别有 6% 的准确率提高，整体准确率提高 2%。数据的下载指南可以在此 https URL 找到。

Sep, 2023

该研究对具有人类类似上半身的 ECA 在社交人 - 机互动中使用共同言语手势的生成方法进行了系统综述，并提出了评估工具和检查清单，以帮助在不同研究中系统地测试生成模型。

Jan, 2021

通过比较美国手语（ASL）和英语中使用的手形，该研究表明频繁使用的手形更容易产生，且沟通效率的压力主要来自 ASL 的使用，而非英语的借用。

Jun, 2024

本研究旨在对 “野外” 单个说话人的单调发言进行语音输入并生成合理的手臂动作，通过训练无标签视频并将我们的模型与基准方法进行量化比较，证明了我们提出的模型在肢体运动与语音之间的交叉模式翻译方面显着优于基准方法，并且我们发布了一个大型的视频数据集以支持研究。

Jun, 2019

本研究旨在探讨单一特征和混合特征对机器学习模型分类能力的影响，通过提取统计描述符和时空属性两类特征来识别含 18 种动态手势的手语，结果表明混合特征的输入比两类单一特征的输入产生更好的分类效果，对于自动手语识别技术的提高对其实现数字化技术的残疾人群体更有益。

Feb, 2022

该论文提出了一种自然语言辅助手语识别 (NLA-SLR) 框架，利用手语词汇中的语义信息来降低手语识别中存在的视觉相似性 (VISigns) 问题。该论文设计了语言辅助标签平滑和交互式混合等技术来提高识别性能，并引入了视频关键点网络作为新型的骨干网络来获得更好的结果。实验结果表明，该方法在三个广泛采用的基准测试数据集上均达到了最先进的性能。

Mar, 2023

通过引入具有普遍适用性的新颖语言学先验，SGNify 可以从现场 SL 视频中全自动捕获手势、面部表情和身体动作，从而在学习 SL 时取代视频字典的 3D avatar 可以提高对技术和在线媒体的获取能力和 AR/VR 应用，并在 SL 视频上优于现有 3D 身体姿势和形状估计方法。

Apr, 2023