摘要

从单视角RGB图像重建三维手部结构极具挑战性，主要源于手部姿态的多样性以及深度信息的模糊性。为了从单目图像中可靠地重建三维手部，当前最先进的方法大多依赖于训练阶段的三维标注数据，但获取三维标注成本高昂。为减轻对标注数据的依赖，本文提出S2HAND——一种自监督的三维手部重建网络，能够联合估计手部姿态、形状、纹理以及相机视角。具体而言，我们通过易于获取的二维关键点检测结果，从输入图像中提取几何线索。为利用这些噪声较大的几何线索训练出精确的手部重建模型，我们引入二维与三维表示之间的一致性，并设计了一组新型损失函数，以合理化神经网络的输出。这是首次证明在无需人工标注的情况下，仍可训练出高精度的三维手部重建网络。实验结果表明，所提方法在仅使用较少监督数据的前提下，性能可与近期完全监督的方法相媲美。