{
  "paper_id": "3aaa63ec32d8c1f4f9d5cbc04546b505",
  "paper_title": "HandDiffuse: Generative Controllers for Two-Hand Interactions via Diffusion Models",
  "paper_authors": [
    "Pei Lin"
  ],
  "publication_date": "",
  "publication_venue": "Proceedings of the AAAI Conference on Artificial Intelligence",
  "abstract": "现有手部数据集由于手部自遮挡和自相似性，大多时程较短、交互较弱，尚不能满足交互双手运动生成的需求。为缓解数据稀缺，本文提出真实数据集 HandDiffuse12.5M，其中包含具有强双手交互的时序序列，在现有双手数据集中规模最大、交互类型最丰富。作者进一步提出强基线方法 HandDiffuse，利用多种控制器实现可控的交互双手运动生成。该方法以扩散模型为主干，并为不同控制器设计两种运动表示；为减少伪影，还提出显式量化动态交互过程的 Interaction Loss。HandDiffuse 支持运动补间、轨迹控制生成等应用。实验表明，该方法在运动生成方面优于现有最先进技术；其生成的逼真双手运动还可用于构建合成数据集，并提升现有手部动作捕捉算法的精度。\n",
  "keywords": [
    "双手交互",
    "手部运动生成",
    "扩散模型",
    "HandDiffuse12.5M",
    "运动补间",
    "轨迹控制",
    "交互损失",
    "手部重建"
  ],
  "paper_institutions": [
    "ShanghaiTech University, School of Information Science and Technology, Shanghai, China"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "doubao-seed-2.1-pro",
  "prompt_template": "simple",
  "extracted_at": "2026-10-20T04:27:15.779706Z",
  "template_tag": "deep_read",
  "summary": "# HandDiffuse: Generative Controllers for Two-Hand Interactions via Diffusion Models\n\n\n**作者 / Authors:** Pei Lin\n\n\n**单位 / Institutions:** ShanghaiTech University, School of Information Science and Technology, Shanghai, China\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n\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：可获得论文正文，包括摘要、引言、相关工作、数据集、方法、实验、结论与参考文献；附录、补充视频、代码和数据的实际内容未提供，仅见数据集主页链接及“将公开”声明。因此，2D 关键点控制实验、指标实现细节、数据增强实验和更多定性结果需待附录核验；发表时间与会议/期刊信息未在正文中给出，版本与 venue 暂不能确认。\n\n类型判定：选 method。理由是论文核心贡献是提出 HandDiffuse 这一可控制双手交互动作生成基线，包括扩散骨干、双去噪器、Interacting Hands DDIM、两种动作表示与 Interaction Loss；同时贡献 HandDiffuse12.5M 数据集，但论证主线仍是方法机制与生成性能，故不选 survey 或 system。\n\n影响解读的材料缺口：附录中的标注与 MANO 拟合细节、2D 关键点控制实验、FID/Diversity/SDF 的具体实现、数据增强实验和更多定性对比缺失；代码与数据可用性目前只是作者声明，需外部核验。\n\n\n\n\n\n### 问题\n\n要解决的问题：生成时间连续、双手强交互且可被显式控制器约束的手部动作序列。形式化地说，给定控制器 c（如首尾关键帧、双腕轨迹、2D 关键点），生成双手动作 x^{1:N}，使其符合 c 并保持合理的双手接触与避免穿透。\n\n为什么重要：紧密交互的双手是人类情感表达和沟通的重要载体，可用于 AR/VR、机器人与虚拟人表达、手部动作捕捉数据增强和手部重建辅助。\n\n现有方法的主要不足：第一，数据层面，现有双手数据集多为短时或离散帧，时间序列稀疏；InterHand2.6M、Two-hand 500K、RenderIH 等虽规模大，但 temporal sequences 不足，Re:InterHand 侧重多样光照下的捕捉而非生成。第二，采集层面，双手自遮挡、自相似和复杂关节使数据获取昂贵。第三，方法层面，MDM、InterGen 等人体动作生成方法并非为 hand-only 强交互设计，容易出现双手分离、静态均值姿态或关节穿透；作者据此认为需要显式控制器和显式交互建模。\n\n\n\n\n\n### 概览与阅读路线\n\n一句话概述：论文构建了一个强调强双手交互与时间连续性的 HandDiffuse12.5M 数据集，并提出基于扩散模型的可控制双手交互动作生成基线 HandDiffuse。\n\n核心思想与贡献：作者将双手交互生成拆成“单手的局部动作”与“双手的全局交互过程”，用 Single Hand Denoiser（SHDe）学习单手局部姿态，用 Interacting Hands Denoiser（IHDe）在冻结 SHDe 后联合优化双手全局信息并微调局部动作，形成 Interacting Hands DDIM；同时提出 local representation 与 global representation 两种动作表示，以及由接触势能损失和形状/骨长损失组成的 Interaction Loss。相对已有工作，作者声称这是首个专门面向 hand-only 双手交互动作生成的方法，并支持关键帧、手腕轨迹和 2D 关键点等显式控制器，覆盖 motion in-betweening、轨迹控制和手部重建等应用。\n\n最重要结果与条件：Table 2 中，HandDiffuse 在无条件生成、in-betweening 和轨迹控制上的 FID 分别为 0.161、0.273、0.173，优于 MDM、InterGen、BUDDI、InterHandGen；Diversity 也较高。但 SDF 并非全面最优：无条件生成时 InterGen 的 SDF 为 0，作者解释其生成接近静态均值姿态；in-betweening 时 InterGen 的 SDF 低于 HandDiffuse。因此“优于 SOTA”主要由 FID 与多样性支持，穿透指标需结合生成多样性和定性结果解读。实验条件为 T=1000、cosine 噪声调度、8 层 4 头、前馈维度 1024、生成长度 N=200、单张 RTX 3090 训练约两天；基线经过动作表示适配，比较公平性仍需核验。Table 3 的消融显示 global rep 更适合无条件生成和 in-betweening，local rep 更适合轨迹控制；去掉 SHDe 或 Interaction Loss 后指标变差，支持模块设计有效，但幅度需结合附录细节判断。\n\n优先阅读位置：方法总览 Figure 5 与 Method 节，重点看 SHDe/IHDe 的信息流和 DDIM 推理；数据集部分 Table 1 与 3.1 节，核对规模、交互强度与标注误差；实验 Table 2、Table 3 与 Figure 7，核对指标、基线适配和定性失败模式；下游应用 Figure 6。下一轮应优先核验：控制器具体注入方式、式(1)-(5)的损失与采样推导、评测协议与数据划分、基线适配公平性，以及 SDF 与多样性之间的权衡。\n\n下一轮应先拆解 Figure 5 的双去噪器训练/推理流程，再核对 Table 2/3 的评测协议与基线适配。\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：输入为控制器 c（首尾关键帧、双腕轨迹/根角速度与线速度、2D 关键点）和噪声 x_T；输出为双手动作序列 x^{1:N}（实验中 N=200）。\n\n0) 动作表示：local rep 每帧左手为 (R, Ttilde, J_local, Jdot_local, θ)，右手为 (R_init, T_init, Rtilde, Ttilde, J_local, Jdot_local, θ)，其中 Rtilde 为四元数根角速度、Ttilde 为线速度，J_local/Jdot_local 为根空间局部关节位置/速度（j=21），θ 为 MANO 15 个关节的四元数局部旋转；以首帧左腕为原点并对齐朝向。global rep 为 (J_global, Jdot_global, θ)，J_global 为世界坐标关节位置，两表示均做归一化。\n\n1) 前向扩散：论文未编号公式写作 q(x_t|x_0)=sqrt(αbar_t)x_0+(1-αbar_t)；按 DDPM 应为 sqrt(αbar_t)x_0+sqrt(1-αbar_t)ε，论文印刷式缺少噪声项，视为笔误/待核验。ε~N(0,I)，β_t 为余弦噪声方差，α_t=1-β_t，αbar_t=∏α_s。x_t 送入去噪器 G(x_t,t,c) 预测 x0_hat。\n\n2) SHDe：将全局平移/旋转置 0，输入单手局部关节位置/速度 J_local、Jdot_local 与姿态 θ；右手镜像到左手，只训练一个 SHDe；损失 L_reconSH=||L_GT-L0_hat||_2。目的：先学单手局部动作先验。\n\n3) 冻结 SHDe，把左右手局部生成与全局信息（t 步噪声）拼接并转换为设计表示；IHDe 同时优化全局交互并微调局部；损失 L_IHDe=L_reconDH+L_interaction，L_reconDH=||x_GT-x0_hat||_2。\n\n4) Interaction Loss：每帧对左右手各 21 关节加掌心各 4 个采样点形成 25×25 距离矩阵 D；接触势能 P=1/2 K relu(τ-||D_pred||_2)^2；L_potential=|P_pred-P_gt|(1+D_pred_vec×D_gt_vec)，论文写叉乘，具体方向项实现待附录核验；L_shape=|BL_left-BL_right|+|BL_pred-BL_GT|，BL 为骨长。\n\n5) 推理：Interacting Hands DDIM，去噪后回加 t-1 步噪声；关键帧控制给首 5 帧和末 5 帧，轨迹控制给每帧根角速度/线速度；2D 关键点控制细节在附录（缺失）。架构为 encoder-only Transformer，类似 MDM；SHDe/IHDe 同结构但维度不同。\n\n\n\n\n\n### 评测设置\n\n数据：HandDiffuse12.5M，50 视角 RGB，30-60 fps，3840×2160，250K 时序帧/约 12.5M 图，约 2 小时；四类动作（随机复杂交互、日常交流、手指舞、中文日常手语）；序列约 1 分钟，平均 2955 帧、中位 3630 帧；接触比 57.3%，平均最短手间距 3.61 cm，2D 标注误差 11.3 像素，MANO 拟合误差 4.3 mm/关节。评测指标：FID、Diversity、SDF；Table 3 注明 SDF 只在有穿透的帧上计算。基线：MDM、InterGen、BUDDI、InterHandGen；作者称已适配动作表示，InterHandGen 改为左手 200 帧再条件生成右手，BUDDI 每帧作 token 并保留 Person Embed。训练：T=1000，余弦调度，8 层 4 头，前馈 1024，N=200，单张 RTX 3090 约两天。缺失/风险：数据划分、训练/测试序列数、评测样本数、随机种子与误差棒未报告；FID/Diversity/SDF 的具体实现、基线超参和更多适配细节在附录（未提供）；基线是否等预算/等参数量未说明；2D 关键点与数据增强实验在附录缺失。因此主表可读，但跨方法公平性仍待核验。\n\n\n\n\n\n### 结果与证据\n\n决定性结果：Table 2 中 HandDiffuse 在无条件、in-betweening、轨迹控制上的 FID 为 0.161/0.273/0.173，Diversity 为 11.829/11.554/11.758，均为方法中最好；SDF 为 1.553/1.562/1.141。SDF 并非全面最优：无条件生成时 InterGen 的 SDF=0，作者解释其生成接近静态均值姿态；in-betweening 时 InterGen 的 SDF=1.032，低于 HandDiffuse 的 1.562。Table 3 消融：global rep 更适合无条件与 in-betweening（FID 0.161/0.273，local rep 为 0.431/0.567），local rep 更适合轨迹控制（FID 0.173，global rep 为 0.418）；去掉 SHDe 后 FID 为 0.168/0.282/0.182，仅略差；去掉 Loss_potential 后为 0.171/0.317/0.210 且 SDF 变差；去掉 Loss_shape 后为 0.390/0.512/0.380，退化最明显。证据支持 FID/多样性和“按任务选表示”的结论，也支持 Interaction Loss 的作用；但 SHDe 的增益较小，SDF 受静态生成影响，且缺少显著性检验、2D 关键点与数据增强结果。因此“优于 SOTA”应由 FID 与多样性支持，穿透指标需结合多样性和定性结果限定解读。\n\n\n\n\n\n### 相关工作\n\n最接近的工作及差异（论文自述，未做外部核验）：InterHandGen 被描述为单帧双手交互生成方法，作者将其改成先生成 200 帧左手、再条件生成右手的连续基线；BUDDI 用潜表示建模交互人体，作者把每帧当 token 并保留“Person Embed”区分左右手；InterGen 是多人体交互扩散模型，MDM 是单人动作扩散模型。HandDiffuse 的差异点是 hand-only、双去噪器 SHDe/IHDe、冻结 SHDe 后训练 IHDe 的 Interacting Hands DDIM、local/global 两种动作表示，以及 Interaction Loss（接触势能损失+形状/骨长损失）。代价：需先训练并冻结 SHDe，多一个去噪器与两阶段优化；每帧计算 25×25 关节距离矩阵和接触势能；数据集采集/标注昂贵（50 视角、人工 2D 关键点）；基线需适配动作表示，公平性仍待核验。论文未给出与各基线同参数量、同训练预算或同推理步数的对照。\n\n\n\n\n\n### 关键图表解读\n\nFigure 5（Method）最重要：左图给出 SHDe→拼接全局信息→IHDe 的两阶段流程与 local/global 表示，右图给出关键帧和腕轨迹控制的注入方式；它支撑“模块化双去噪器+显式控制器”的核心主张。限制是示意图不包含 2D 关键点控制细节，精确注入与训练/推理算法需附录核验。\n\nTable 2（Experiment）是主比较：在三种任务上报告 FID/Diversity/SDF，HandDiffuse 的 FID 与 Diversity 最好；但 SDF 在无条件时不如静态的 InterGen，在 in-betweening 时也高于 InterGen，且基线经过表示适配，公平性与评测划分未完全报告。\n\nTable 3（Experiment）是消融：global/local rep 的任务差异、去掉 SHDe/Loss_potential/Loss_shape 的退化，直接支撑表示选择与 Interaction Loss；但 w/o SHDe 与完整模型差距很小，SDF 只在穿透帧计算，缺少方差。\n\nFigure 7（Experiment）是定性比较：MDM 倾向双手分离，InterGen 倾向均值姿态/缺少交互，支撑作者对基线失败模式的解释；但为样例展示，更多定性结果在缺失附录中。\n\nTable 1（Related Works/数据集节）比较时序性、来源、视角、人工标注和外观，支撑 HandDiffuse12.5M 的规模与“强交互+时序”定位；它不直接证明生成性能，接触率与间距证据在正文而非表中。总体看，这些证据已把“数据+方法”主线立住，下一步评估应集中核对评测协议、基线适配与缺失附录。\n\n\n\n\n\n### 术语表\n\nHandDiffuse12.5M：本文贡献的双手交互数据集，强调时序连续与强交互；含 50 视角 RGB、2D/3D 关键点、MANO 姿态，约 12.5M 图/250K 帧。\nSHDe（Single Hand Denoiser）：单手局部动作去噪器；输入局部关节位置/速度与姿态，学习单手先验，训练后冻结。\nIHDe（Interacting Hands Denoiser）：双手交互去噪器；在 SHDe 局部生成基础上优化全局交互并微调局部动作。\nInteracting Hands DDIM：本文的推理流程；先由 SHDe/IHDe 去噪，再按论文描述回加 t-1 步噪声，用于双手交互生成。\nlocal rep：以根节点相对量描述双手的表示，含根角速度 Rtilde、线速度 Ttilde、局部关节位置/速度与 MANO 关节旋转 θ；适合全局旋转/平移已给出的轨迹控制。\n global rep：以世界坐标关节位置 J_global、速度 Jdot_global 与 θ 描述双手；作者报告更适合无条件生成和关键帧 in-betweening。\nInteraction Loss：显式建模双手动态交互的损失，由接触势能损失与形状损失组成，用于减少穿透和形状异常。\ncontact potential loss：把关节距离视为弹簧势能，P=1/2 K relu(τ-||D_pred||_2)^2；距离越近势能越大，超过阈值 τ 被过滤；再用方向项区分穿透歧义。\nshape loss：约束左右手骨长一致以及预测骨长接近 GT，L_shape=|BL_left-BL_right|+|BL_pred-BL_GT|。\nMANO：可微参数化手部模型，本文用其关节/姿态/形状参数并做拟合。\nDWPose：用于提取 2D 手部关键点的 SOTA 检测器，后续三角化得到 3D 关键点。\nDDPM/DDIM：扩散概率模型及其确定性/加速采样思想；本文借用扩散前向加噪与去噪预测 x0 的框架。\ncosine noise schedule：余弦噪声方差调度；本文 T=1000。\nFID：Fréchet Inception Distance，衡量生成动作分布与真实动作分布的差异，越低越好。\nDiversity：生成动作的多样性指标，越高越好，但需与真实性一起看。\nSDF：穿透严重程度指标；论文称关节穿透时取正值、否则为零，Table 3 只在穿透帧计算。\nmotion in-betweening/keyframes：给定首尾关键帧，生成中间双手动作。\ntrajectory control：给定双腕/根节点的角速度与线速度，生成符合轨迹的局部动作。\n2D keypoints control：用 2D 关键点约束生成，作者称可用于手部重建；细节在缺失附录。\nJ_local/Jdot_local：根空间局部关节位置/速度；θ：MANO 局部关节四元数旋转；BL：骨长；D：左右手关节距离矩阵；τ：接触距离阈值；K：弹性系数；N：生成长度；T：扩散步数。\n\n\n\n\n\n### 全部图表索引\n\n表 1：数据集比较（Related Works/数据集节），比较时序性、来源、视角、人工标注、外观，支撑 HandDiffuse12.5M 的规模与强交互/时序定位。\n图 1：数据集与 HandDiffuse 总览（Introduction），支撑“数据集+基线”的整体贡献叙事。\n图 2：采集系统与 MANO 重投影（数据集节），支撑采集流程与标注质量；图中可见 f/g/h/l/j 等残片，部分标签不可读。\n图 3：HandDiffuse12.5M 时序帧分布（数据集节），支撑序列长度统计（约 1000-4000 帧、均值 2955、中位 3630）。\n图 4：HandDiffuse12.5M、InterHand2.6M、Re:InterHand 的 t-SNE（数据集节），支撑交互姿态多样性主张。\n图 5：HandDiffuse 方法总览与下游应用（Method），核心方法图，支撑 SHDe/IHDe、两种表示和关键帧/轨迹控制注入。\n图 6：两个下游应用生成结果（Method/下游应用），支撑关键帧控制与轨迹控制的定性效果。\n图 7：不同方法定性比较（Experiment），支撑 MDM 双手分离、InterGen 均值姿态等失败模式描述。\n表 2：不同方法定量比较（Experiment），报告三种任务的 FID/Diversity/SDF，是主结果表。\n表 3：消融实验（Experiment），比较 global/local rep、w/o SHDe、w/o Loss_potential、w/o Loss_shape 与完整模型，支撑表示选择与 Interaction Loss。\n缺失：附录未提供，包含 2D 关键点控制、FID/Diversity/SDF 实现、数据增强实验、更多定性与失败案例；因此相关主张待核验。\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：Table 2 在三种任务上 FID/Diversity 显示 HandDiffuse 优于 MDM/InterGen/BUDDI/InterHandGen（FID 0.161/0.273/0.173，Diversity 11.829/11.554/11.758）；Table 3 的表示选择趋势（global rep 适合无条件与 in-betweening，local rep 适合轨迹控制）和 shape loss 消融退化最明显，这些是文内可复核的主要证据。数据集层面，正文给出 250K 帧/约 12.5M 图、50 视角、接触比 57.3%、平均最短手间距 3.61cm、2D 标注误差 11.3 像素、MANO 拟合误差 4.3mm/关节；这些是作者报告值，原始数据未核验。\n\n支持不足/需限定：SDF 不是全面最优（无条件 InterGen=0，in-betweening InterGen=1.032 低于 HandDiffuse=1.562；Table 2），作者用 InterGen 静态均值解释，说明 SDF 可被低多样性生成“刷低”；w/o SHDe 与完整模型差距很小（FID 0.168/0.282/0.182 vs 0.161/0.273/0.173），SHDe 的独立增益需更多种子和等预算实验。“首个 hand-only 双手交互动作生成”和“最大规模”是作者主张，未做外部文献/数据核验；Table 2 的基线适配公平性、FID/Diversity/SDF 实现、数据划分、样本数、随机种子、2D 关键点控制和数据增强实验均在缺失附录中。\n\n关键假设：FID/Diversity/SDF 能代理手部动作真实感与交互质量；基线适配后与 HandDiffuse 可比；HandDiffuse12.5M 的实验室 50 视角分布可迁移到目标场景；MANO 骨长约束和接触势能方向项在实现中无歧义。\n\n失败场景与后果：若评测集与训练集划分不独立或基线未等预算调参，主表优势可能被高估；若 SDF 只在穿透帧计算且静态姿态可规避穿透，SDF 不宜单独作为交互质量结论；若叉乘方向项实现与论文文字不一致，Interaction Loss 的消融解释会受影响；若目标场景是单目/移动端/全身联动，50 视角实验室数据和 hand-only 设定会带来域差距；若缺少 2D 关键点控制附录，“辅助手部重建”不能复现。\n\n复现计划：所需材料为 HandDiffuse12.5M（主页链接，待确认可下载）、作者承诺的代码、MANO、DWPose、MDM/InterGen/BUDDI/InterHandGen 基线代码、FID/Diversity/SDF 实现（附录缺失）。最小可行路径：先按正文统计复核数据集（帧数、视角、接触率、标注误差）；再训练 SHDe（右手镜像到左手，全局平移/旋转置零，输入 J_local、Jdot_local、θ，L2 重建）；冻结 SHDe 后训练 IHDe（左右手局部生成与全局噪声拼接，Loss_reconDH+Loss_interaction）；实现 Interacting Hands DDIM 推理；最后做关键帧（首尾各 5 帧）与轨迹（每帧根角速度/线速度）控制。重要设置：T=1000、cosine schedule、8 层 4 头、前馈 1024、N=200、单张 RTX 3090 约两天（正文）。验证步骤：固定数据划分和随机种子，报告均值/方差；用同一评测脚本重跑四个基线并记录适配细节；做 w/o SHDe、w/o Loss_potential、w/o Loss_shape 与 global/local rep 的等预算消融；补做 SDF 与 Diversity/运动幅度分组分析。成功标准：在独立测试集上复现 Table 2 的 FID/Diversity 排序和 Table 3 的表示选择趋势；SDF 不劣于完整模型报告值且不靠静态生成；定性上双手不分离、不静态均值、无明显穿透。阻塞：附录、代码、数据划分、指标实现、基线超参和 2D 关键点注入方式未提供，精确复现暂不可完成。\n\n\n\n\n\n### 应用约束\n\n数据约束：采集需 50 台相机、30–60 fps、3840×2160，约 2 小时/250K 帧/12.5M 图，并人工标注 240K 图像；存储、标注和 MANO 拟合成本高。训练约束：正文称单张 RTX 3090 约两天，T=1000、cosine schedule、8 层 4 头、前馈 1024、N=200；模型较小但数据规模大。推理延迟未报告；论文描述 Interacting Hands DDIM 去噪后仍回加 t−1 步噪声，200 帧长序列的实际吞吐/显存需实测。鲁棒性：演示限于实验室多视角采集和强交互类别（随机复杂交互、日常交流、手指舞、中文手语）；单目、移动端、不同光照/肤色/遮挡和全身-手部联动未验证。适用性：关键帧和双腕轨迹控制已有 Figure 6 定性结果；2D 关键点重建、数据增强和手部动捕提升只在正文声称、附录缺失。部署判断：作为离线数据生成/增强和动作先验较合适；实时 AR/VR 或机器人闭环控制尚缺延迟与鲁棒性证据。代码和数据仅承诺公开，需核验许可证与下载可用性。\n\n\n\n\n\n### 探索问题\n\n1) SDF 与多样性应如何联合评价？验证：按生成运动幅度/接触帧比例分层，报告 SDF、Diversity、FID 与人工偏好，比较 InterGen 静态输出和 HandDiffuse。收益：解释 SDF 悖论，避免低多样性/静态均值姿态把穿透指标刷低。风险：分层指标未必与感知质量一致，需要用户研究。\n2) 双去噪器是否值得？验证：在等参数量、等训练/推理预算下比较单 IHDe、SHDe+IHDe、共享骨干，多随机种子报告 FID/Diversity/SDF 和训练成本。收益：简化模型并确认模块化增益；现有 w/o SHDe 与完整模型差距很小（FID 0.168/0.282/0.182 vs 0.161/0.273/0.173，Table 3）。风险：SHDe 增益可能只在少数据或长序列出现，等参数改造会改变原设计。\n3) 基线适配与控制器协议是否公平？验证：用统一动作表示、统一采样步数、统一调参预算重训 MDM/InterGen/BUDDI/InterHandGen，并同时报告关键帧/轨迹控制误差与生成指标。收益：支撑 SOTA 主张并给出可复现协议。风险：工程量大，基线作者可能质疑适配版本；若基线本身不适合手部，比较仍非等价。\n\n\n\n\n\n### 引用与核验\n\n文献核验范围：仅基于论文正文与参考文献表，未访问外部数据库或原文，因此以下均为“文内支持/待外部核验”。\n\n支撑新颖性与最强比较：“首个 hand-only 双手交互动作生成”依赖与 InterHandGen（Lee et al. 2024, CVPR）、BOTH2Hands（Zhang et al. 2024, CVPR）、InterGen（Liang et al. 2023, arXiv）、MDM（Tevet et al. 2023, ICLR）的边界；文内称 InterHandGen 为单帧方法并在实验中改为左手 200 帧再条件生成右手，但 Experiment 节又写成“InterHandGen(Liang et al. 2023)”，与参考文献 Lee et al. 2024 不一致，引用需核对。BUDDI（Müller et al. 2024, CVPR）被描述为交互人体潜表示，参考文献标题为 Generative Proxemics，方法名与论文标题需区分。“最大规模”依赖 Table 1 对 RenderIH（Li et al. 2023a）、Two-hand 500K（Zuo et al. 2023）、InterHand2.6M（Moon et al. 2020）、Re:InterHand（Moon et al. 2023）的比较，未核验各数据集最新版本。\n\n复现依赖：MANO（Romero et al. 2017）、DWPose（Yang et al. 2023）、CPF 接触势能（Yang et al. 2021）、DDPM（Ho et al. 2020）、DDIM（Song et al. 2020）、HumanML3D 表示（Guo et al. 2022）、MotionCLIP 指标实现（Tevet et al. 2022a）均需获取并核对版本；数据集主页与代码仅见承诺，未验证可下载性、许可证和维护状态。\n\n未逐一核验：其余背景引用（手部重建、人体动作生成、数据集）按文内叙述处理，未逐条查证；发表时间/venue 在文档中未给出，不能确认正式出版信息。\n\n\n\n\n\n### 最终判断\n\n最终判断：把论文当作“数据集+强基线”读较稳：HandDiffuse12.5M 的规模/强交互定位和 HandDiffuse 的 FID/Diversity 优势有文内表格支撑，双去噪器、两种表示和 Interaction Loss 的消融方向可信；但“SOTA”应限定为 FID/Diversity，SDF 受静态生成影响，“首个/最大”和基线公平性需外部核验，附录缺失使精确复现和 2D 关键点/数据增强结论暂不可用。使用建议：优先用其数据与表示、控制器设计做离线生成和数据增强；若用于实时部署或作为最终 SOTA 证据，先补等预算基线、独立划分和 SDF-多样性联合评测。下一步：先复现数据集统计与 Table 3 的表示/损失消融，再决定是否投入完整双去噪器复现。"
}