摘要

我们提出了一种简单而高效的单目3D手部姿态估计网络架构，该架构由一个图像编码器和一个基于网格卷积的解码器组成，并通过直接的3D手部网格重建损失进行端到端训练。我们通过收集大量来自YouTube视频的手部动作数据，构建了一个大规模数据集，并将其作为弱监督信号的来源来训练网络。基于弱监督的网格卷积系统在性能上显著优于现有最先进方法，甚至在“野外”（in the wild）基准测试中将误差降低了一半。相关数据集及额外资源已公开，可访问 https://arielai.com/mesh_hands 获取。