RLHND：视频基础模型手部追踪器

Seungjun Moon 等作者提出 RLHND，一个基于视频基础模型的手部追踪模型，可从单目第一视角视频中同时估计手部姿态与真实触觉信息。 该模型将预训练的 Cosmos 3 视频扩散骨干通过 clean-latent conditioning 转为确定性的片段级特征提取器，并用独立的触觉专家流预测手部表面的密集接触与力。作者称，RLHND 在姿态估计以及接触与力估计的多项基准数据集上均达到 SOTA，代码将公开。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。