利用隐式局部表面表示模型，将掌握经验或示范迁移到与机器人之前遇到的对象形状类似的新对象，评估结果表明，该方法可以成功地将掌握迁移到未见过的对象类别，并提供更好的空间精度和掌握准确性。

Aug, 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

通过利用手物互动的时空信息，本研究提出了一种跟踪交互对象的方法，该方法采用了一种基于场景的自适应发现交互对象的空间关系，并利用对象外貌的一致性和连续性跟踪这些对象，研究结果表明该方法优于现有的方法，并能生成更连续的交互对象轨迹。

Aug, 2023

无需对齐的图像集合，基于拓扑意识的隐式形变场的学习、随后进行形状重构，该方法名为 TARS，在多个数据集中均取得了最先进的重构精度 (ShapeNet, Pascal3D+, CUB, and Pix3D chairs)。

May, 2022

通过实例级隐式重建，我们提出了 Ins-HOI，一种端到端解决方案，用于恢复人与物体之间的详细交互。我们引入了实例级占据场来支持同时表示人 / 手和对象，并使用补充训练策略处理实例级基准缺失的问题。我们的方法 Ins-HOI 能够在极近交互的情况下生成合理和真实的非可见接触表面，并提供了一个大规模高保真度的 3D 扫描数据集用于研究。

Dec, 2023

通过一种新方法，我们提出了一种改进 3D 对象表示的方法，保证其表面遵循拓扑先验性，以确保对象之间的拓扑相互作用。我们的关键观察是，可以通过随机逼近方法观察到对象之间的相互作用：大量随机点到对象表面的符号距离的统计数据反映了它们之间的相互作用。因此，可以通过选择一组点作为锚点以改进对象表面，间接操纵对象之间的相互作用。特别地，我们展示了我们的方法可以在两个对象之间强制实现特定的接触比例而没有表面交叉。进行的实验证明了我们的方法可以准确重建人类心脏，保证组件之间的正确拓扑连接。此外，我们展示了我们的方法可以用于模拟手与任意对象互动的各种方式。

Jul, 2023

本研究提出了一个统一的框架，用于预测 3D 形状之间的点对应和形状插值，结合了深度函数映射和经典表面变形模型，在谱域和空间域中进行形状映射。实验结果表明，该方法在形状匹配和插值方面优于以往最先进的方法，甚至超过了有监督学习方法。

Feb, 2024

本文提出了一种使用图神经网络检测图像中人与物体之间交互作用的方法，并通过在节点对之间的空间关系上进行消息调节来改进模型的性能，以获得更好的检测精度。实验结果表明，该方法取得了良好的检测效果。

Dec, 2020

该论文介绍了使用距离度量学习的新方法来解决自主机器人在富含各种空间关系的人类中心环境中的空间关系学习问题，从而使其能够以灵活的方式学习任意的关系并进行泛化，这在非专家用户的辅助下以一个小数量的例子交互式地完成。

Mar, 2017

通过学习基于隐式表征的对象重建的最新进展，借鉴其思想，提出了一种高效且易于与深度神经网络集成的人体抓握模型表示，通过手、对象和接触区隐式表面的 3D to 2D 映射，生成高质量、物理合理的人体抓握姿态，实验结果表明，与现有方法相比，该方法取得了可比拟的性能。

Aug, 2020