研究了通过使用最新的二维手姿势估计技术和优化技术进行的无标记算法来捕捉手抓握物体的过程，此算法也可以详细地捕捉手 - 物体接触并将其集成进抓握捕捉过程中。

Jul, 2019

本研究提出了一种全新的手部模型（MANO），并使用 MANO 模型，结合标准化的人体三维模型（SMPL）构建了一个全身可动态捕捉的模型（SMPL+H），实现了复杂的人体动作捕捉并保持高度真实性。

Jan, 2022

使用一张 RGB 图像来重建手持物品的形状，通过利用手的关节运动对物品形状的高可预测性，提出了一种基于关节运动的条件重建方法，并通过一个内隐网络来推断物品的空间形态。

Apr, 2022

ArtiGrasp 使用强化学习和物理模拟来训练一个控制全局和局部手姿势的策略，以实现包括抓取和关节运动的双手 - 物体交互，并通过逐渐增加的难度的学习课程实现精确的手指控制。

Sep, 2023

基于物理约束的手 - 物体重构模型，利用合成数据集 ObMan 进行模型训练和验证，达到手 - 物交互场景下的稳定手部姿势和可行物体形状重构。

Apr, 2019

将优化方法与生成模型相结合，我们开发了一个新颖的方法来在杂乱的环境中生成五指抓取样本，并通过评估模型改进了抓取质量和碰撞概率，显著提高了在复杂情境中进行五指抓取的实用性。

Apr, 2024

介绍了一个数据集和方法，用于研究手 - 物体交互中的三维重建，通过精确的注册和多视角重建，实现了高精度和高细节的对象重建。

Sep, 2023

该研究提出了一种新的实时无标记手部跟踪方法，使用 SAG 的隐式手形状表示和顺畅且解析可微分的姿势拟合能量，实现了更准确的手部建模和更高的追踪精度，并在公共数据集上进行了定量和定性实验。

Feb, 2016

通过视觉远程操作收集数据和获取姿态估计和接触信息，提出了一种新的数据集和新的方法来学习手和动态物体姿态估计的交互先验知识。通过对数据的学习，可以提高联合手和关节物体姿态估计的性能。

May, 2023

生成逼真的手部动作序列与物体的交互在数字人方面越来越受到关注，之前的工作已经证明了利用基于占据或基于距离的虚拟传感器来提取手物体交互特征的有效性，但是这些方法在物体类别、形状和大小方面的泛化能力有限。为了解决这个挑战，我们引入了一种新颖的以关节为中心的传感器，用于推理潜在交互区域附近的局部物体几何。该传感器查询每个手关节附近的物体表面点。我们通过将点从全局坐标系转换为手部模板坐标系，并使用共享模块处理每个独立关节的传感器特征来减少学习复杂性。然后，我们使用时空转换网络捕捉不同维度中关节之间的相关性。此外，我们设计了简单的启发式规则，以扩充有限的训练序列，增加丰富的静态手抓取样本。这样在训练过程中观察到更广泛的抓取类型，从而增强了我们模型的泛化能力。我们在两个公开数据集 GRAB 和 InterCap 上进行评估，结果表明我们的方法在定量和感知上都优于基线模型。

Apr, 2024