摘要

从单张RGB图像估计三维手部姿态是一个高度模糊的问题，其性能高度依赖于无偏的训练数据集。本文针对现有数据集上的训练，系统分析了跨数据集的泛化能力。研究发现，现有方法在训练所用数据集上表现良好，但在其他数据集或真实场景（in-the-wild）中泛化能力较差。为此，我们提出了首个大规模、多视角的手部数据集，该数据集同时包含三维手部姿态与手部形状的标注。为对这一真实世界数据集进行标注，我们提出了一种迭代式的半自动化“人机协同”（human-in-the-loop）方法，其中结合了手部拟合优化技术，以同时推断每个样本的三维姿态与形状。实验表明，基于本数据集训练的方法在其他数据集上测试时，均能保持稳定且优异的性能。此外，该数据集使得我们能够训练一个网络，仅凭单张RGB图像即可预测完整的关节化手部形状。该数据集的评测集可作为关节化手部形状估计任务的基准测试标准。