KAD-Net：用运动学感知解耦学习提升单深度图像3D手部姿态估计
用运动学感知解耦学习提升单深度图像3D手部姿态估计
（映维网Nweon 2026年09月21日）一项关于单深度图像3D手部姿态估计的研究提出了一种名为KAD-Net的网络。通过手指拓扑约束模块和任务解耦的层次化多任务框架，这一方案旨在应对手部运动学复杂、自遮挡严重，以及2D关节定位与深度估计相互干扰等问题。
3D手部姿态估计可应用于虚拟现实等领域。但从单张深度图像准确推断3D手部姿态仍然困难，原因包括手部自由度高、运动学结构复杂、自遮挡和结构自相似带来的感知模糊，以及传感器噪点和深度不连续等数据退化问题。
在方法上，KAD-Net采用两个分支分别估计UV坐标和深度值，以减少任务级干扰。UV分支中引入手指拓扑约束（FTC）模块。该模块通过节点映射、图空间消息传递和节点重映射，利用三个连续手指关节构建局部运动学表示，对远端关节特征进行补充和约束。研究人员指出，这种设计还能利用同一运动链上可见关节的结构线索，帮助定位部分或完全被遮挡的远端关节。
......（全文 950 字，剩余 577 字）
