这篇论文的标题是《A2J-Transformer: Anchor-to-Joint Transformer Network for 3D Interacting Hand Pose Estimation from a Single RGB Image》，作者是Changlong Jiang, Yang Xiao, Cunlin Wu, Mingyang Zhang, Jinghong Zheng, Zhiguo Cao, 和 Joey Tianyi Zhou。他们来自华中科技大学、阿里巴巴集团、新加坡科学、技术和研究局（A*STAR）的前沿人工智能研究中心（CFAR）以及高性能计算研究所（IHPC）。

摘要

3D交互手部姿态估计（IHPE）是一个挑战性的任务，因为手部存在严重的自遮挡和相互遮挡，两只手的外观模式相似，以及从2D到3D的病态关节位置映射等问题。为了解决这些问题，作者提出了A2J-Transformer，这是一种基于Transformer的非局部编码-解码框架，用于改进A2J（一种最先进的基于深度的单手3D姿态估计方法），以适应交互手部情况的RGB域。A2J-Transformer的主要优势包括：局部锚点通过自注意力机制建立全局空间上下文感知，以更好地捕获关节的全局线索；每个锚点被视为可学习的查询，具有自适应特征学习能力，以提高模式拟合能力；锚点位于3D空间而非2D，以利用3D姿态预测。

主要贡献

• 首次将A2J从深度域扩展到RGB域，用于单RGB图像的3D交互手部姿态估计，并取得了有希望的性能。
• 通过Transformer的非局部自注意力机制和自适应局部特征学习，使A2J的锚点能够同时感知关节的局部细节和全局上下文。
• 提出了将锚点设置在3D空间而不是2D空间的方法，以便于基于单目RGB信息解决2D到3D的病态姿态提升问题。

相关工作

论文回顾了3D手部姿态估计的相关研究，包括基于模型的方法和无模型（model-free）方法，以及基于Transformer架构的方法。

方法

A2J-Transformer由三个主要部分组成：特征金字塔提取器、锚点细化模型和锚点偏移权重估计模型。特征金字塔提取器使用ResNet-50作为骨干网络来提取输入RGB图像的金字塔特征。锚点细化模型包含特征增强模块和锚点交互模块，用于增强图像特征并建立锚点之间的交互。锚点偏移权重估计模型用于估计每个锚点相对于每个手部关节的3D偏移和权重。

实验

作者在InterHand2.6M、RHP、NYU和HANDS 2017数据集上进行了实验。结果表明，A2J-Transformer在InterHand2.6M数据集上取得了最先进的无模型（model-free）性能，并且在RHP数据集上展示了良好的泛化能力。此外，作者还对A2J-Transformer的不同组件进行了消融研究，以验证其有效性。

结论

A2J-Transformer是一种有效的3D单目RGB交互手部姿态估计方法，它结合了局部细节和全局上下文信息，并使用3D锚点来更好地拟合深度信息和估计准确的3D坐标。作者计划在未来的工作中尝试表示锚点的运动，并将方法扩展到基于模型的区域。