摘要

三维手部姿态估计在手势识别和人机交互任务等领域得到了广泛应用。随着性能的提升，系统的复杂性也随之增加，这可能会限制这些方法的比较分析和实际应用。本文提出了一种简单而有效的基线方法，不仅超越了现有最先进（SOTA）的方法，还展示了计算效率。为了建立这一基线，我们将现有的工作抽象为两个组件：标记生成器和网格回归器，并对其核心结构进行了研究。在此背景下，核心结构是指能够实现内在功能、带来显著改进并在没有不必要的复杂性的情况下取得优异性能的结构。我们提出的方法独立于任何对主干网络的修改，因此可以适应任何现代模型。我们的方法在多个数据集上均优于现有解决方案，达到了最先进（SOTA）的结果。在FreiHAND数据集上，我们的方法实现了5.7毫米的PA-MPJPE和6.0毫米的PA-MPVPE。同样，在Dexycb数据集上，我们也观察到了5.5毫米的PA-MPJPE和5.0毫米的PA-MPVPE。在性能速度方面，当使用HRNet时，我们的方法可达到每秒33帧（fps），而使用FastViT-MA36时则可达到每秒70帧（fps）。