{ "paper_id": "09a0ece8879f6fc2966e0d4be73486e9", "paper_title": "AssemblyHands: Towards Egocentric Activity Understanding via 3D Hand Pose Estimation", "paper_authors": [ "Takehiko Ohkawa", "Kun He", "Fadime Sener", "Tomas Hodan", "Luan Tran", "Cem Keskin" ], "publication_date": "2023", "publication_venue": "IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)", "abstract": "我们提出 AssemblyHands，这是一个带有精确 3D 手部姿态标注的大规模基准数据集，用于研究包含挑战性手物交互的自我中心活动。数据集包含从近期 Assembly101 数据集采样的同步自我中心图像与外部中心图像，参与者在其中组装和拆卸可拆分玩具。为了给自我中心图像获取高质量 3D 手部姿态标注，作者开发了高效流程：使用初始人工标注集训练模型，再由模型自动标注规模大得多的数据集。该标注模型采用多视图特征融合与迭代细化机制，平均关键点误差为 4.20 毫米，比 Assembly101 原始标注误差低 85%。AssemblyHands 提供 300 万张标注图像，其中包括 49 万张自我中心图像，是现存最大的自我中心 3D 手部姿态估计基准数据集。利用这些数据，作者构建了从自我中心图像估计 3D 手部姿态的强单视图基线，并设计了新的动作分类任务来评估预测的 3D 手部姿态。研究表明，更高质量的手部姿态能够直接提升动作识别能力。\n", "keywords": [ "自我中心活动理解", "3D 手部姿态估计", "基准数据集", "手物交互", "多视图特征融合", "迭代细化", "动作分类", "2.5D 热图" ], "paper_institutions": [ "Meta Reality Labs", "The University of Tokyo" ], "output_language": "zh", "provider": "doubao", "model": "doubao-seed-2.1-pro", "prompt_template": "simple", "extracted_at": "2026-10-20T04:31:36.145370Z", "template_tag": "deep_read", "summary": "# AssemblyHands: Towards Egocentric Activity Understanding via 3D Hand Pose Estimation\n\n\n**作者 / Authors:** Takehiko Ohkawa, Kun He, Fadime Sener, Tomas Hodan, Luan Tran, Cem Keskin\n\n\n**单位 / Institutions:** Meta Reality Labs, The University of Tokyo\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n**发表日期 / Publication Date:** 2023（待核验）\n\n\n\n**期刊/会议 / Publication Venue:** CVPR 2023（待核验）\n\n\n## 第一轮：问题与贡献\n\n\n### 材料与类型\n\n材料检查：可见正文、附录、图1–9、表1–6，覆盖数据构建、自动标注、单视图基线与动作分类评估；未见代码/数据下载、许可、完整训练超参与计算成本细节，官网链接未验证；文档未明确出版信息，日期与会议标记为待核验。\n\n原型判断：选 method。核心贡献是提出可扩展的多视角自动标注流程（MVExoNet + 迭代精化）与第一人称单视图基线（SVEgoNet），同时发布 AssemblyHands 基准数据集；虽含数据集/系统成分，但方法创新与验证是主线，不是综述。\n\n影响解读的材料缺口：缺少官方数据划分文件、标注工具细节、失败案例统计与下游分类的完整消融，复现和因果归因需谨慎。\n\n\n\n\n\n### 问题\n\n问题：第一人称装配活动中，手部常被物体遮挡；Assembly101 原有的 3D 手部姿态由单目第一人称跟踪器 UmeTrack 生成，遮挡时深度与关键点误差大（MPJPE 27.55 mm），限制了基于姿态的动作理解。\n\n为什么重要：AR/VR 头显的第一人称相机使手部姿态成为轻量、隐私友好的交互与动作识别表示；若姿态质量差，后续动作分类与交互接口都不可靠。现有方法不足：外视角多相机可三角化，但仅 8 路 RGB 时 2D+Triangulation 为 7.97 mm；OpenPose 自动标注有 40.2% 关键点无法成功三角化；现成第一人称跟踪器在自遮挡/手物遮挡下会沿 z 轴出错甚至丢失跟踪。\n\n本文目标：构建大规模高质量第一人称 3D 手部姿态基准，提供单视图估计基线，并用动词分类评估预测姿态对动作识别的价值。形式化地，单视图估计学习 f(I_ego) → {J_i}_{i=1}^{21}（腕相对坐标），再比较不同姿态质量输入下的动作分类准确率；该形式化仅用于界定任务，不引入额外假设。\n\n\n\n\n\n### 概览与阅读路线\n\n一句话：AssemblyHands 用多视角外视角图像自动生成高质量 3D 手部姿态标注，构建大规模第一人称手部姿态基准，并验证姿态质量对动作识别的影响。\n\n核心想法与贡献：先用少量人工标注训练 MVExoNet（EfficientNet 提取 2D 特征，多视角体素融合，V2V-PoseNet 输出 3D 热图），推理时冻结网络、迭代更新手部裁剪框与体素根位置；再用自动标注训练 SVEgoNet（ResNet-50 + 2.5D 热图 + 手别分类）作为第一人称单视图基线；最后用 MS-G3D 从姿态序列做 6 类动词分类。贡献包括 3.0M 图像、490K 第一人称图像的高质量标注，自动标注 MPJPE 4.20 mm、较 Assembly101 原标注误差降低 85%，以及“姿态质量影响动作识别”的基准评估。\n\n最重要结果与条件：在人工标注测试子集上，MVExoNet-R3 为 4.20 mm、PCK-AUC 83.4%；跨数据集 Desktop Activities 为 13.38 mm；SVEgoNet 在 AssemblyHands 上 MPJPE 21.92 mm，动词分类 54.7%，高于 UmeTrack 的 50.3%，达到自动标注经验上界 60.0% 的 91.1%。作者声称高质量姿态直接提升动作识别；证据支持该趋势，但动作分类仅覆盖 6 个高频动词、30 Hz、AssemblyHands-A 划分，且 remove 类下降 1.8%，严格因果归因仍待补充消融。\n\n优先阅读：§3 标注流程、表2/3/4/5、图3/4/5/6。下一轮问题：迭代精化在左右手误判和严重遮挡下的失效边界？自动标注误差如何具体传播到 SVEgoNet 与动词分类？SVEgoNet 与上界的差距主要来自姿态误差还是动作分类模型？下一轮将围绕标注流水线的误差传播与下游评估可信度展开。\n\n\n\n\n## 第二轮：方法与证据\n\n\n### 方法与公式\n\n输入→关键步骤→输出：\n（1）标注输入：Assembly101 的同步 8 路外视角 RGB 与 4 路 ego 单色图；先对 62 段按1 Hz人工标21个手部关节，2D多视标注后三角化成世界坐标3D，得到种子集（§3.1）。\n（2）MVExoNet：每路图 I_v 经 EfficientNet 编码得2D特征 F_v；把各视角特征按相机投影 π_v 反投到以第三掌指关节（third MCP）为中心、边长300 mm的3D体素，做 softmax 加权体素融合，得到 V(x)=Σ_v α_v(x) F_v(π_v(x))，其中 α_v(x) 为跨视角 softmax 权重（该式为对论文所述 learnable triangulation 的 inferred 形式化，论文未给编号公式）；再用 V2V-PoseNet 的3D卷积编码器-解码器输出每关节3D热图 H_j，最后 soft-argmax 得 J_j=Σ_x x·softmax(H_j)(x)。\n（3）训练裁剪框：由人工3D关键点投影到各视角，取包含单手的方形框，边长 L=γ·max(max_i x_i−min_i x_i, max_i y_i−min_i y_i)，训练时 γ 随机、均值1.5；体素根加 [-5,5] mm 随机噪声，防止网络只输出体素原点（附录B.1）。\n（4）迭代精化：测试时第一轮 R1 的裁剪框来自“人体关键点三角化+前臂延长1/3估计手心”的启发式，体素根来自2D+Triangulation；R2/R3 用上一轮预测的2D投影重设裁剪框、用上一轮预测根重设体素中心，网络权重冻结，只更新输入（§3.1，图4）。\n（5）SVEgoNet：输入单张 ego 手部裁剪，ResNet-50 回归2.5D热图；x-y 热图给出2D位置，z 通道给出腕相对深度，argmax 后组合为21×3关节；另有手别分类分支输出左/右/双手，用于处理双手同框与左右手混淆（§4）。同一 ego 图的左右手裁剪分别预测后合并成双手序列。\n（6）动作分类：把42个关键点（双手各21）的30 Hz序列送入 MS-G3D 图卷积网络，输出6类动词（§5）。\n输出：装配场景的3D手部姿态标注、单视图 ego 姿态估计，以及姿态质量对动词分类影响的评估。关键假设是相机已标定、外视角同步且手部在多数视角可见；论文未展开失败检测与置信度。\n\n\n\n\n\n### 评测设置\n\n数据与协议：AssemblyHands 来自 Assembly101，含8路RGB外视角+4路ego单色；总3.03M图、490K ego、34名受试者（表1）。M子集227K图/22K ego/14人，人工标注62段、1 Hz，54段训练/8段测试；A子集2.81M图/468K ego/20人，自动标注来自不相交20段、30 Hz，训练405K/评估63K ego图；SVEgoNet 的 M 训练/评估为19.2K/3.0K ego图（§3–4，表4）。指标：MPJPE（mm，越低越好）与 PCK-AUC（%，越高越好；表6说明最大距离阈值20 mm）。基线与比较：ego-only UmeTrack、2D+Triangulation、OpenPose+三角化、MVExoNet-R1/R2/R3；SVEgoNet 与 UmeTrack 比姿态和动词分类；动作分类用 MS-G3D，AssemblyHands-A 30 Hz（原60 Hz），6个高频动词覆盖约70%标签，screw/unscrew 做数据增强（§5，附录D）。跨数据集：Desktop Activities 用12路RGB、1105帧/3段人工评估，物体为未见YCB，用于测新相机配置泛化（§3.2，表3）。计算预算：未报告GPU、训练时长、优化器、学习率、batch size、推理延迟；这是复现缺口。比较公平性：OpenPose 的5.15 mm只在成功三角化的关键点上算，不能与全量MPJPE直接比；UmeTrack用多张ego图特征融合而 SVEgoNet 只用单张ego裁剪，输入信息不同；动作上界60.0%由自动标注本身训练得到，不是人工真值上界，可能偏乐观。\n\n\n\n\n\n### 结果与证据\n\n决定性结果：① 标注精度（表2，人工测试子集）：ego-only 27.55 mm/PCK-AUC 29.4，2D+Triangulation 7.97/63.8，MVExoNet-R1 5.42/79.2，R2 4.30/83.1，R3 4.20/83.4；R3 相对原标注约降85%，R1→R3 降22.5%。② 跨相机/物体泛化（表3，Desktop Activities）：2D+Triangulation 49.21/23.9，R1 21.20/51.3，R2 14.57/67.2，R3 13.38/70.4；R1→R3 降36.9%，说明精化不是只拟合AssemblyHands。③ 自动标注训练SVEgoNet（表4）：Train-M→Eval-M 24.38 mm；Train-A单独在Eval-M为25.18 mm，比Train-M差约3%相对；Train-M+A在Eval-M为23.46 mm，在Eval-M+A为21.92 mm，支持“人工+自动”混合最稳。④ 动作分类（表5，AssemblyHands-A，30 Hz，6动词）：UmeTrack 32.91 mm、平均50.3%；SVEgoNet 21.92 mm、平均54.7%；自动标注上界60.0%，SVEgoNet达91.1%相对，UmeTrack为83.8%。逐类：pick up +2.1、put down +6.2、position +13.1、screw +1.8、unscrew +4.1个百分点，remove −1.8。⑤ OpenPose对照（表6）：成功三角化部分5.15 mm但PCK-AUC 48.1、40.2%关键点失败；本文2D+Triangulation 7.97/63.8、MVExoNet-R3 4.20/83.4。证据总体支持“姿态质量提升→动词识别提升”的趋势；但动作评估只覆盖6个高频动词、单一切分、无重复实验/显著性检验，remove下降与上界口径使严格因果归因仍需补充消融。\n\n\n\n\n\n### 相关工作\n\n最近邻工作可分三类：① Assembly101 原标注：同一批视频，但 3D 手部姿态由单目第一人称跟踪器 UmeTrack 从单色 ego 图像生成，遮挡时沿 z 轴误差大（论文报告 MPJPE 27.55 mm，表2）；② 2D+Triangulation / OpenPose：同样用 8 路外视角，但先检测 2D 再三角化，OpenPose 在本文测试集有 40.2% 关键点无法三角化（附录C.1，表6）；③ 其他手部数据集如 DexYCB、H2O：多为外视角或较少 ego 图像，本文强调 AssemblyHands 的 ego 图像量、受试者数与无脚本装配手物组合更多（表1）。实际差异：本文把标注来源从 ego 单目换成 8 路同步外视角，引入可学习的体素融合与冻结权重的迭代精化，再用自动标注训练单视图 SVEgoNet；这不是单纯换数据集，而是“外视角多视图标注 → ego 单视图估计 → 动作分类评估”的链路。成本：标注阶段需要标定同步的 8 路 RGB 外视角和 4 路 ego 单色相机，人工先标 62 段、1 Hz、约22K帧作为种子，再以30 Hz自动扩标；MVExoNet 推理需多视图与3轮迭代，SVEgoNet 只需单张 ego 裁剪。论文未给 GPU 型号、训练时长或标注人时，成本只能定性比较；代码/数据许可未在文档中验证。\n\n\n\n\n\n### 关键图表解读\n\n图3（§3.1）：MVExoNet 架构，展示 EfficientNet 2D特征→多视角体素融合→V2V-PoseNet 3D热图→soft-argmax。它支撑核心创新“可学习多视图体素标注”，但只是架构示意，不能单独证明精度。\n图4（§3.1）：迭代精化在 AssemblyHands 与 Desktop Activities 上的裁剪框和姿态随轮次改善；支撑“冻结网络、只改输入”能纠偏，尤其左右手/手偏离画面中心时。局限是展示的是挑选样例，未给失败率。\n表2（§3.2）：AssemblyHands 人工测试子集上 ego-only、2D+Triangulation、R1–R3 的 MPJPE/PCK-AUC；是“4.20 mm、较原标注降85%”的主证据，比较条件为同一人工标注测试集、8路外视角。注意这是分布内测试。\n表3（§3.2）：Desktop Activities 新相机配置与未见物体上的泛化；2D+Triangulation 退化到49.21 mm，R3为13.38 mm。支撑精化与体素融合的跨设置鲁棒性，但评估仅1105帧/3段且无该数据集训练。\n表5（§5.1）：用 MS-G3D 从姿态序列做6动词分类，比较 UmeTrack、SVEgoNet 与自动标注上界；支撑“更高质量姿态提升动作识别”（54.7% vs 50.3%）。限制是仅6个高频动词、30 Hz、AssemblyHands-A 切分，且60.0%上界来自自动标注。总体看，证据链在“标注更准”和“下游更好”上一致；下一步评估应追问误差传播与公平性。\n\n\n\n\n\n### 术语表\n\nMPJPE：Mean Per Joint Position Error，21个关节平均三维欧氏误差（mm），越低越好；本文用于标注和 SVEgoNet 评估。\nPCK-AUC：正确关键点百分比曲线下面积；预测落在阈值内算正确，表6用20 mm最大阈值；对缺失预测敏感（OpenPose因此很低）。\nMVExoNet：Multi-View Exocentric Network，本文外视角多视图标注网络；EfficientNet提2D特征、体素融合、V2V-PoseNet出3D热图、soft-argmax出关节。\nMVExoNet-R1/R2/R3：同一冻结网络在第1/2/3轮推理，轮次越高输入裁剪框与体素根越准。\n迭代精化（iterative refinement）：不更新权重，用上一轮预测重设手部裁剪与体素根，逐步纠偏；前提是首轮已大致定位目标手，否则会放大左右手误判（附录B.1）。\n体素特征融合/可学习三角化：把各视角2D特征按相机投影聚合到3D体素，以softmax权重跨视角加权；相比先2D检测再三角化，可在遮挡时利用多视角上下文。\nsoft-argmax：对热图做softmax后取坐标期望，J=Σ_x x·softmax(H)(x)，可微且比硬argmax更适合训练；本文用于3D热图。\n2.5D热图：x-y平面关键点热图加腕相对深度z通道；SVEgoNet用argmax取2D位置和深度，再组合为3D。\n腕相对空间（wrist-relative space）：以手腕为原点表示21个关节，消除全局平移；本文 ego 估计与评估在该空间进行。\n第三掌指关节（third MCP）：中指根部关节；MVExoNet体素中心与根位置定义围绕它，训练时加噪声防止网络退化为输出体素原点。\n手别分类（hand identity classification）：SVEgoNet分支判断裁剪中为左/右/双手；利用装配任务中左右手分工先验，减少左右手混淆。\nMS-G3D：Multi-Scale Graph Convolution Network，把关节当节点、时序当图结构做骨架动作分类；本文输入42个手部关键点序列。\nAssemblyHands-A / M：A为自动标注子集（30 Hz，20人，405K训练/63K评估 ego），M为人工标注子集（1 Hz，14人，19.2K/3.0K ego训练/评估）；M+A为合并。\nVerb（动词）分类：Assembly101 的细粒度动作由动词+物体组成；本文只取6个高频动词，不分类物体。\nTake-apart toy：可拆装多部件玩具，Assembly101 的装配/拆卸对象；其小零件造成严重手物遮挡。\n\n\n\n\n\n### 全部图表索引\n\n图1（§1）：高质量3D手部姿态作为ego活动表示，对比Assembly101原标注的左手错误；支撑动机。\n图2（§1）：数据集构建与基准任务总览（人工+MVExoNet→SVEgoNet→动作分类）；支撑全文流程。\n图3（§3.1）：MVExoNet架构；支撑多视图体素标注方法，详见module_d。\n图4（§3.1）：迭代精化示例；支撑R1→R3输入与姿态改善，详见module_d。\n图5（§4.1）：自动标注、SVEgoNet、UmeTrack的定性比较，含自遮挡/手物遮挡失败模式；支撑定性证据，非定量。\n图6（§5）：6个动词标签分布及UmeTrack/SVEgoNet混淆矩阵；支撑类别不平衡与错误结构分析。\n图7（附录A）：Assembly101与Desktop Activities相机 rig；支撑跨数据集设置说明。\n图8（附录B.1）：用人体关键点三角化估计手中心与裁剪框；支撑测试时手检测启发式及其腕部弯曲失效。\n图9（附录C.2）：逐动词标注误差相对降低；支撑多视图标注在重遮挡动词上更有效。\n表1（§2）：与EgoDexter、Panoptic、FPHA、FreiHAND、HO3D、InterHand2.6M、DexYCB、H2O等数据集统计比较；支撑规模/ego图像/受试者数主张。\n表2（§3.2）：AssemblyHands人工测试子集标注评估；核心定量证据，详见module_d。\n表3（§3.2）：Desktop Activities跨设置标注评估；泛化证据，详见module_d。\n表4（§4）：SVEgoNet在M/A/M+A训练与评估组合上的MPJPE；支撑混合标注最佳。\n表5（§5.1）：UmeTrack/SVEgoNet/自动标注上界的姿态与6动词分类；核心下游证据，详见module_d。\n表6（附录C.1）：OpenPose三角化对照，含40.2%失败与valid-only MPJPE；支撑本文标注流程优势。\n可读性说明：正文图1–9、表1–6及附录A–D可见；未提供代码仓库、数据许可、训练日志或视频补充材料，相关声明待核验。\n\n\n\n\n## 第三轮：评估与复现\n\n\n### 可信度、局限与复现\n\n可信结论：① 在 AssemblyHands 人工测试集上，多视图 MVExoNet-R3 的 4.20 mm/83.4% 明显优于 ego-only 的 27.55 mm/29.4% 和 2D+Triangulation 的 7.97 mm/63.8%（表2），R1→R3 降 22.5%；② 在 Desktop Activities 新相机配置与未见物体上，R3 为 13.38 mm，优于 2D+Triangulation 的 49.21 mm（表3），说明精化不只是拟合 AssemblyHands；③ SVEgoNet 在 Eval-M+A 为 21.92 mm，Train-M+A 一致最优（表4）；④ 表5 中 SVEgoNet 的 6 动词平均 54.7% 高于 UmeTrack 的 50.3%，达到自动标注上界 60.0% 的 91.1%。这些是论文证据支持的主要结论。\n\n支持不足或需降级的主张：摘要与结论称高质量姿态“directly improves”动作识别，但动作实验只覆盖 6 个高频动词（约 70% 标签）、单一切分、30 Hz、无多随机种子/显著性检验/置信区间；remove 类还下降 1.8 个百分点（§5.1、表5）。60.0% 上界由自动标注训练得到，不是人工真值上界，可能偏乐观。OpenPose 的 5.15 mm 只在成功三角化的关键点上计算，且 40.2% 关键点失败（表6），不能与全量 MPJPE 直接比较。人工标注本身无 inter-annotator agreement、失败率或逐受试者方差；Desktop Activities 仅 1105 帧/3 段。训练超参、GPU、耗时、代码/数据许可均未报告（§3–5、附录 B），复现存在硬缺口。\n\n关键假设：相机已标定且 8 路外视角同步；镜头畸变已去除；手在多数视角可见；测试时人体关键点检测与“前臂延长 1/3 估计手心”的启发式能给出首轮手框；首轮左右手身份基本正确，否则迭代精化会沿错误手框累积误差（附录 B.1 明确承认）；SVEgoNet 评估在腕相对空间，单张 ego 裁剪足以预测 21 关节；动作分类只评估动词而非完整“动词+物体”动作。\n\n失败场景与后果：左右手误判会使 R2/R3 继续裁剪错误手，误差放大（附录 B.1、图4）；腕部显著弯曲使启发式手中心偏移，需更大裁剪框，精化可部分纠正但不保证（图8）；双手同框/小零件遮挡会造成手别混淆与关键点跳到另一只手；外视角遮挡过多或标定误差会破坏体素融合；SVEgoNet 单视图无法恢复完全不可见的深度，UmeTrack 的 z 轴错误在定性图5 中仍可能出现。论文未给这些场景的失败率，部署时应加入置信度/弃权与手别校验。\n\n复现计划：必需工件包括 Assembly101 原始多视角与 ego 视频、相机标定/同步信息、62 段人工 3D 标注及 54/8 序列划分、自动标注的 20 段不相交序列划分、人体 2D 关键点检测器、EfficientNet 与 V2V-PoseNet 实现或权重、SVEgoNet 的 ResNet-50 与 MS-G3D 配置。文档给出的重要设置：21 关节；8 路 RGB 外视角；体素边长 300 mm，中心为第三掌指关节；训练时根位置加 [-5,5] mm 噪声；手框边长 L=γ·max(宽,高)，γ 训练随机、均值 1.5；测试时冻结 MVExoNet，仅更新裁剪框与体素根，做 3 轮；ego 图像去鱼眼畸变并按左右手分别裁剪。未报告而构成阻塞的：损失函数、优化器、学习率、batch size、训练轮数、体素/热图分辨率、EfficientNet 变体、数据增强细节、随机种子、官方划分文件、代码与许可。\n\n验证核心创新的最小实验：E1 在人工测试集复现 ego-only、2D+Triangulation、R1/R2/R3，检查 R3 是否低于 R1 且接近 4.20 mm；E2 在 Desktop Activities 复现 R1→R3 的跨设置改善；E3 消融多视图体素融合与迭代精化，并加入“人工裁剪框/根位置”上界，判断精化收益是否来自输入校正而非网络拟合；E4 用 M、A、M+A 训练同一 SVEgoNet，验证 M+A 最优；E5 固定 MS-G3D 比较 UmeTrack、SVEgoNet 与自动标注上界，并做多 seed/逐序列重采样；E6 按手别、腕部弯曲、遮挡比例分层做压力测试并记录失败率。成功标准可预先设为：R3 未访问；代码、数据下载、许可、官方划分、预训练权重、GPU/训练成本均未验证。论文声称“largest existing benchmark”依赖表1 统计口径与投稿时点，属于待核验的外部事实。其余引用如 [4,5,7,8,9,10,12,14,15,17,19,24–27,29–36] 多为背景、组件或数据集语境，未逐篇核对；本模块仅确认它们在文中的使用位置，不确认其内容准确性。\n\n\n\n\n\n### 最终判断\n\n最可信的是“多视角外视角标注明显优于 ego-only 跟踪”和“在本文基准上更高质量姿态带来更好的 6 动词分类”这两条证据链：表2、表3、表4、表5 方向一致，且 R1→R3、M+A 训练、SVEgoNet 优于 UmeTrack 均有明确数字。需要保留的是因果强度与泛化边界：动作评估只有 6 个高频动词、单一切分、无重复实验/显著性检验，60.0% 上界来自自动标注而非人工真值，SVEgoNet 与 UmeTrack 的输入信息也不对等。\n\n使用建议：把本文当作高质量标注流水线、大规模 ego 手部姿态基准和强单视图基线的依据；引用“直接提升动作识别”时应改写为“在本文设置下观察到一致提升”。复现前先取得官方划分、代码/权重与许可，否则只能做定性复现。下一步：先复现 R1–R3 与 SVEgoNet 的关键数字，再开展姿态误差到动词分类的传播实验。" }