{
  "paper_id": "d19fea5cad060415f6509ea09bfd69f9",
  "paper_title": "Leveraging RGB Images for Pre-Training of Event-Based Hand Pose Estimation",
  "paper_authors": [
    "Ruicong Liu",
    "Takehiko Ohkawa",
    "Angela Yao",
    "Tze Ho Elden Tse",
    "Mingfang Zhang",
    "Yoichi Sato"
  ],
  "publication_date": "",
  "publication_venue": "unknown",
  "abstract": "本文提出 RPEP，首个利用有标注 RGB 图像与非配对、无标注事件数据进行事件相机三维手部姿态估计预训练的方法。事件数据具有高时间分辨率、低延迟等优势，但标注训练数据稀缺限制了其应用。为此，作者复用真实 RGB 数据集训练事件估计器，通过构建伪事件-RGB 对，使生成的事件数据与 RGB 图像的真值姿态对齐。现有伪事件生成技术假设物体静止，难以处理非平稳、动态运动的手；RPEP 提出新的生成策略，将手部运动分解为逐步的小运动，以捕捉关节运动的时间变化，为运动的手构建更真实的事件数据。此外，RPEP 施加运动反转约束，利用反向运动正则化事件生成。大量实验表明，预训练模型在真实事件数据上显著优于现有方法，在 EvRealHands 上最高取得 24% 的提升；在仅用少量标注样本微调时仍保持强性能，适合实际部署。\n",
  "keywords": [
    "事件相机手部姿态估计",
    "RGB 预训练",
    "伪事件生成",
    "迭代构建",
    "运动反转约束",
    "跨模态知识迁移"
  ],
  "paper_institutions": [
    "The University of Tokyo, Japan",
    "National University of Singapore, Singapore"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "doubao-seed-2.1-pro",
  "prompt_template": "simple",
  "extracted_at": "2026-10-20T04:27:47.329561Z",
  "template_tag": "deep_read",
  "summary": "# Leveraging RGB Images for Pre-Training of Event-Based Hand Pose Estimation\n\n\n**作者 / Authors:** Ruicong Liu, Takehiko Ohkawa, Angela Yao, Tze Ho Elden Tse, Mingfang Zhang, Yoichi Sato\n\n\n**单位 / Institutions:** The University of Tokyo, Japan, National University of Singapore, Singapore\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：可获取正文、图1–4、表1与参考文献；附录、代码、数据划分细节和完整训练超参未提供。论文标题与作者列表来自首页；发表时间与会议/期刊信息在文档中未报告，故留空，需外部核验。类型判断：方法类论文。核心是提出 RPEP，用带标注 RGB 图像与无配对、无标注事件数据预训练事件相机 3D 手部姿态估计器，并以伪事件构造缩小 RGB 与事件模态差距。解释性缺口：网络骨干、损失权重、优化细节、T 的敏感性、数据预处理和计算成本未在本文片段中充分报告，影响复现与边界判断。\n\n\n\n\n\n### 问题\n\n要解决的问题：事件相机具有高动态范围、低延迟和高时间分辨率，适合快速运动、强光与闪光等困难条件下的 3D 手部姿态估计；但真实事件数据缺乏 3D 手部标注，现有最大规模 EvRealHands 依赖复杂同步多相机与事件传感器装置，数据多样性和真实性受限。现有 RGB→事件伪数据方法（如 Vid2E、RPG-EV 等）通常从单张 RGB 帧一次性构造伪事件，隐含手部在帧间仅发生刚性平移/旋转的静止假设，忽略手指非刚性关节运动；结果是伪事件只沿静态图像边缘稀疏分布，而真实事件在手指关节和 Palm 等运动区域更密集，形成显著域差并削弱迁移与泛化。论文目标可概括为：利用带标注 RGB 图像与无配对事件帧学习事件姿态估计器 H=F_ev∘P，减少对事件标注的依赖。\n\n\n\n\n\n### 概览与阅读路线\n\n一句话概览：RPEP 将单次伪事件构造改为迭代式“逐步运动—事件累积”过程，并用运动反转约束正则化运动先验，从而用 RGB 标注预训练事件手部姿态估计器。核心思想与贡献：把时间窗 Δτ 分成 T 次迭代（经验设 T=6），由解码器 G 从 RGB 外观特征 f_rgb 与事件运动先验 z_ev 估计光流 v̂^(t)，同时用于生成子伪事件帧和 warp RGB 图像；最终按式(1)累加得到伪事件帧，使手指关节运动也能触发事件。式(2)构造反向运动事件，并通过散度损失 L_div 降低正向与反向运动先验的余弦相似度，以保证运动先验符合物理方向与轨迹。特征对齐方面，RGB 与事件共享 MLP P，并使用对抗学习对齐 f_ev 与 f_rgb、f_pev 与 f_rgb、z_pev 与 z_ev。最重要结果：表1 在 EvRealHands 的 Normal/Scripted 上 3D-MPJPE 为 21.26、PA-MPJPE 为 12.11，优于 RPG-EV 的 29.51/15.51 和 CycleGAN 的 24.32/13.13；在 Strong light 与 Flash 各脚本/非脚本划分中也取得最低误差。作者在摘要/引言声称相对提升最高 24%（Normal）、20%（Strong light）、14%（Flash）；表1支持“在相同微调设置下误差最低”的作者主张，但提升百分比未在片段中给出完整计算口径，需复核。支持范围：预训练使用 InterHand2.6M 标注 RGB 与 EvRealHands 无标注事件，随后用少量 EvRealHands 标注微调；结论限于该数据集与实验条件，跨数据集、跨传感器与实时部署成本尚未验证。优先阅读：图2（真实/旧式/本文构造对比）、图3（整体流程）、式(1)–(2)与第2节迭代构造及运动反转约束、图4（逐迭代可视化和关节变化）、表1（主结果）。下一轮问题：光流估计除散度损失外如何获得可靠监督或约束？运动反转是否只约束方向而未约束幅度/轨迹精度？T、事件直方图表示、背景事件和遮挡对构造质量的影响如何？代码与完整超参是否公开？过渡：以上建立了问题与核心机制，下一步应细查迭代构造的推导、损失设计和实验证据链。\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输入为带3D标注的RGB图像 x_rgb∈R^{H×W×3}，以及无配对、无标注事件帧 x_ev∈R^{H×W×2}（事件直方图）。目标学习 H=F_ev∘P，其中 F_ev 为事件特征提取器，P 为MLP姿态回归器。\n\n1) 双流特征：F_rgb(x_rgb)→f_rgb（外观）；F_ev(x_ev)→f_ev（外观）与 z_ev（运动先验，含方向/轨迹）。RGB是静态帧，不提供运动信息，所以只用 f_rgb。\n2) 迭代构造：把时间窗 Δτ 分为 T 次（经验 T=6）。第 t 次用解码器 G 估计光流 v̂^(t)=G(f_rgb,z_ev)。该光流同时用于 (i) 生成子伪事件 x_pev^(t)，(ii) 将 RGB warp 成 x_rgb^(t)，以模拟关节运动造成的图像变化。\n3) 事件累加，式(1)：x_pev=Σ_{t=1}^T x_pev^(t)=floor(Σ_{t=1}^T ∇x_rgb^(t-1)·v̂^(t))。这里 ∇x_rgb^(t-1) 是上一时刻RGB的空间梯度，与光流点乘近似局部亮度变化，floor对应事件离散化/量化（推断），累加得到最终伪事件帧。关键假设：亮度恒定、光流可近似帧间运动；这是对事件生成模型的近似，不是真实传感器物理仿真（分析推断）。\n4) 伪事件再送入 F_ev 得 f_pev 与 z_pev；P 在RGB与事件间共享，并用对抗学习对齐 f_ev↔f_rgb、f_pev↔f_rgb，以及 z_pev↔z_ev。\n5) 运动反转约束，式(2)：x'_pev=Σ_t x'^{(t)}_pev=floor(Σ_t ∇x_rgb^(t+1)·(-v̂^(t)))。用 -v̂ 反转方向，并用下一迭代的 warp RGB 反转轨迹。若 z_pev 与 z'_pev 应高度不一致，则以散度损失 L_div 最小化其余弦相似度，迫使运动先验符合物理方向/轨迹。材料未给出 L_div 的完整公式和总损失权重。\n输出：伪RGB-事件对 (x_rgb,x_pev) 及预训练事件估计器；下游用少量带标注 EvRealHands 事件微调 F_ev∘P。\n必要模块：F_rgb、F_ev（输出外观+运动先验）、共享P、解码器G、warp/事件累加、对抗对齐、L_div。\n\n\n\n\n\n### 评测设置\n\n数据与协议：\n\n- 预训练：带标注 RGB 来自 InterHand2.6M [^12]；无标注事件来自 EvRealHands [^6]。\n- 微调/评测：EvRealHands，按采集场景分 Normal、Strong light、Flash；每场景再分 Scripted 与 Unscripted（表中误写为 Uncripted）。\n- 指标：3D-MPJPE（mm，越低越好）与 PA-MPJPE（Procrustes对齐后MPJPE，mm，越低越好）。\n- 对照：w/o pre-train；Synthetic/EventHands [^18]；SimCLR [^1]；Vid2E [^3]；CycleGAN [^26]；ADDA [^22]；RPG-EV [^11]。\n- 训练流程：先预训练，再用少量EvRealHands标注微调；表1报告微调后结果。\n缺失/待核验：微调样本数、各划分样本量、训练轮数、优化器/学习率/批大小、损失权重、事件直方图时间窗与分箱、T的选取依据、数据增强、硬件与预训练成本、推理延迟均未在材料中报告。论文称在相同微调设置下比较，但缺少完整设置，无法完全排除实现差异；表1也无误差棒/多次运行统计。\n\n\n\n\n\n### 结果与证据\n\n决定性结果：表1中 RPEP 在六个划分上均取得最低 3D-MPJPE 与最低 PA-MPJPE。代表性数值（3D-MPJPE/PA-MPJPE，mm）：Normal-Scripted 21.26/12.11，优于 CycleGAN 24.32/13.13 与 RPG-EV 29.51/15.51；Normal-Unscripted 39.91/15.45；Strong light-Scripted 26.08/14.47；Strong light-Unscripted 44.28/17.85；Flash-Scripted 30.97/14.06；Flash-Unscripted 48.55/20.11。相对 RPG-EV，Normal-Scripted 的3D-MPJPE低约8.25 mm，支持作者“约8mm”说法。\n作者声称相对提升最高24%（Normal）、20%（Strong light）、14%（Flash）；表1显示RPEP最低，但摘录未给出提升百分比的计算口径（相对哪个基线、是否平均划分），需复核。\n证据边界：这是单一真实事件数据集上的主表比较，支持“迭代构造+运动反转在EvRealHands上有效”的结论；但材料中没有消融实验验证 T、迭代构造、运动反转、L_div、对抗对齐各自贡献，也没有跨数据集/跨传感器、不同事件表示、实时成本或失败案例分析。因此不能把全部增益单独归因于迭代构造；对创新点的因果证据仍不完整。合成预训练差于不预训练，说明域差重要，但也提示比较对预训练数据质量敏感。\n\n\n\n\n\n### 相关工作\n\n最接近工作及差异：\n\n- RPG-EV [^11]：同样用带标注 RGB 与无标注事件做事件网络迁移/预训练，是最直接对照。论文称其采用无监督域适应来缩小 RGB 与事件域差；RPEP 的不同在于先把 RGB 构造成与事件更接近的伪事件对，再用共享 MLP 和对抗对齐。关键增量是迭代构造与运动反转约束。\n- Vid2E [^3]、CycleGAN [^26]：从 RGB 视频/图像转换事件或做图像翻译；论文指出其一次性构造隐含静止假设，手部非刚性关节产生的事件不足，伪事件沿静态边缘稀疏。RPEP 将时间窗拆成 T=6 次迭代，每步估计光流并 warp，再累加子事件。\n- ADDA [^22]：域适应基线；SimCLR [^1]：自监督预训练基线；Synthetic/EventHands [^18]：合成事件预训练基线。论文报告合成事件因域差甚至差于不预训练。\n成本与边界：RPEP 需训练解码器 G、做 T 次光流估计/图像 warp/事件累加，并加入对抗对齐与 L_div，预训练计算图比一次性方法更重；推理时仍只是 F_ev∘P，不增加迭代构造。上述对前作的描述来自论文，外部代码与实现细节未在材料中核验，待验证。\n\n\n\n\n\n### 关键图表解读\n\n最重要证据图/表：\n\n1) 图1：展示RPEP总体设定——用带标注RGB与无配对无标注事件预训练，核心是迭代构造模块为每张RGB生成伪事件帧，形成伪RGB-事件对。支持“减少事件标注依赖”的动机；属于概念图，不含定量证据。\n2) 图2：对比(a)先前一次性构造、(b)真实事件相机捕获、(c)本文构造。论文用(a)事件沿静态边缘稀疏、(b)手指关节区域更密来说明域差，并用(c)的逐步warp+累加解释改进方向。该图是核心问题的最直观证据，但为定性示意，未给出事件密度或域差指标。\n3) 图3：方法总览，含(a) F_rgb/F_ev特征提取、(b)迭代构造模块及伪事件再入F_ev做对齐、(c)多次迭代事件累加。它把 c3 的流程可视化；解释边界是未展示损失权重、网络细节和训练超参。\n4) 图4：逐迭代展示构造事件帧、光流图与warp后的RGB，并用红框标出关节运动造成的图像变化。支持“迭代过程能让手指关节产生事件”的机制主张；但只给可视化样例，未量化关节区域事件密度或与真实事件的分布距离。\n5) 表1：EvRealHands上Normal/Strong light/Flash × Scripted/Unscripted的主结果。RPEP在所有六个划分的3D-MPJPE和PA-MPJPE均最低，是支持方法有效性的决定性证据；限制是单数据集、少样本微调、无方差/显著性检验，且缺少组件消融。\n过渡：以上说明“迭代构造+运动反转”在主线结果上有效，但证据链仍主要依赖一个真实数据集和定性可视化，下一步应评估其泛化性、消融充分性与部署成本。\n\n\n\n\n\n### 术语表\n\n术语表：\n\n- 事件相机（event camera）：异步记录每像素亮度变化，输出稀疏事件流；优点是高动态范围、低延迟、高时间分辨率。\n- 事件帧/事件直方图（event histogram）：把一段时间内的事件按像素与极性累计成 H×W×2 张量，作为网络输入；本文 x_ev 即此表示。\n- 伪事件帧（pseudo-event frame, x_pev）：由RGB图像和估计光流人工构造的事件表示，用来与RGB标注对齐。\n- 外观特征（f_rgb, f_ev, f_pev）：编码手部姿态/形状的特征；f_rgb来自RGB，f_ev来自真实事件，f_pev来自伪事件。\n- 运动先验（z_ev, z_pev）：从事件特征中提取的移动方向与轨迹信息；用于让静态RGB“动起来”。\n- 迭代构造模块：把时间窗分成T步，每步估计光流、warp RGB并生成子伪事件，最后累加；核心创新。\n- 解码器 G：输入 f_rgb 与 z_ev，输出光流 v̂^(t)。\n- 光流 v̂^(t)：像素级运动场；用于warp图像和近似局部亮度变化。\n- 运动反转约束：用反向光流 -v̂ 和反向轨迹构造 x'_pev，迫使运动先验符合物理方向。\n- 散度损失 L_div：最小化 z_pev 与 z'_pev 的余弦相似度，使正/反向运动先验分离；完整公式未在材料中给出。\n- 对抗特征对齐：用对抗学习拉近 f_ev↔f_rgb、f_pev↔f_rgb、z_pev↔z_ev 的分布。\n- 3D-MPJPE：三维关节位置平均误差（mm），越低越好。\n- PA-MPJPE：先做Procrustes对齐（平移/旋转/尺度）再算MPJPE，衡量局部姿态；越低越好。\n- EvRealHands：真实事件手部数据集，含3D标注；本文评测目标。\n- InterHand2.6M：大规模RGB交互手数据集，本文用于预训练的标注RGB来源。\n- RPG-EV：将RGB与事件做无监督域适应的事件网络训练方法，本文最强对照之一。\n\n\n\n\n\n### 全部图表索引\n\n图/表索引（仅据提供材料）：\n\n- 图1：RPEP总体概念图；位于摘要后、第1节前；对应“用RGB预训练事件手部姿态估计”的动机与迭代构造概念。解释见module_d。\n- 图2：先前构造、真实事件捕获、本文构造的对比；位于第1节；对应核心问题“一次性构造忽略非刚性关节运动”。解释见module_d。\n- 图3：方法总览；位于第2节开头；对应双流特征、迭代构造、特征对齐。解释见module_d。\n- 图4：每次迭代的构造事件帧、光流图、warp RGB；位于式(2)后；对应迭代构造的定性效果。解释见module_d。\n- 表1：与SOTA在EvRealHands三个场景×两个划分上的比较；位于第3节；对应主结果。解释见module_d。\n缺失：材料未提供附录、补充图、消融表、失败案例图或代码/数据划分说明；图2/图4为定性可视化，无法从文本核验其事件密度数值。\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可较可靠结论：\n\n- 表1显示，在EvRealHands的Normal/Strong light/Flash × Scripted/Unscripted六个划分上，RPEP的3D-MPJPE与PA-MPJPE均最低；这是论文最硬的证据，支持“在该数据集与同一微调设置下，RPEP优于所列基线”。\n- Normal-Scripted上RPEP为21.26/12.11，RPG-EV为29.51/15.51，差8.25 mm，支持作者“约8 mm”说法。\n- 合成EventHands预训练差于w/o pre-train，说明合成到真实事件的域差可能很大；但该结论只基于一个数据集、一个合成源。\n\n支持不足或需核验的主张：\n\n- “首个事件手部姿态预训练方法”是作者声明，材料未做系统文献检索，不能据此认定首创。\n- 24%/20%/14%相对提升的计算口径未给出（相对哪个基线、是否平均Scripted/Unscripted、是否用3D-MPJPE），需复核。\n- 迭代构造、运动反转、L_div、对抗对齐各自的贡献没有消融；表1只能证明整体方法有效，不能把增益单独归因于迭代构造。\n- T=6为经验设置，缺少T、时间窗Δτ、事件直方图分箱的敏感性分析。\n- 缺少多次运行方差/显著性、失败案例、跨数据集/跨传感器验证。\n\n关键假设与失败场景：\n\n- 亮度恒定与光流近似帧间运动：式(1)用空间梯度与光流点乘近似事件，若手部快速运动、运动模糊、遮挡、背景事件或传感器噪声强，伪事件可能偏离真实事件；后果是预训练域差仍大。\n- 运动先验z_ev可迁移到静态RGB：若输入事件帧与RGB手部姿态/尺度不配对，warp可能产生不合理关节运动；后果是伪事件对不真实。\n- 运动反转约束只保证方向/轨迹的语义相反，未必约束幅度与局部关节精度；若L_div过强，可能损害运动先验的有用信息。\n- 评测只覆盖EvRealHands的采集装置与光照条件；跨事件相机、不同分辨率/极性表示、真实部署延迟均未验证。\n\n复现计划（仅据本文可确定的步骤；未知项标为阻塞）：\n所需产物：InterHand2.6M带3D标注RGB；EvRealHands无标注事件用于预训练、少量标注用于微调/评测；事件直方图生成代码；F_rgb、F_ev、共享MLP P、解码器G、warp与事件累加、对抗对齐、L_div、姿态回归损失的实现。代码/数据划分/完整超参未在材料中提供，是首要阻塞。\n关键设置：T=6（文中唯一给出的经验值）；其余如Δτ、直方图分箱、优化器、学习率、批大小、训练轮数、损失权重、微调样本数均未报告，不能臆造。\n验证步骤：1) 先复现w/o pre-train与RPG-EV基线，确认微调协议；2) 复现RPEP主表六个划分；3) 做核心消融：T=1（一次性构造）对T=6、去掉L_div、去掉对抗对齐、仅RGB预训练；4) 统计手指关节区域伪事件密度并与真实事件比较，检验“迭代构造让关节产生事件”的机制；5) 改变T与Δτ/分箱做敏感性；6) 用少量标注样本曲线检验低标注主张；7) 测预训练成本与推理延迟。\n成功标准：在相同微调协议下，六个划分的3D-MPJPE与PA-MPJPE均不高于最强基线；T=6相对T=1有稳定增益且关节区域事件密度更接近真实事件；去掉L_div或对抗对齐后性能下降，才能支持组件必要性。若仅整体复现但消融无差异，则应把增益归因于其他因素或实现细节。材料未给方差，复现容差需作者确认。\n\n建议的复现伪代码骨架（仅示意，不补充未知超参）：\nfor each pretrain step:\n  sample labeled RGB x_rgb and unpaired event x_ev\n  f_rgb = F_rgb(x_rgb); f_ev, z_ev = F_ev(x_ev)\n  x_cur = x_rgb; x_pev = 0; x_rev = 0\n  for t in 1..T:\n    v = G(f_rgb, z_ev)\n    x_pev += event_from_grad(x_cur, v)\n    x_rev += event_from_grad(next_warp(x_cur), -v) // 轨迹反转需按式(2)实现\n    x_cur = warp(x_cur, v)\n  f_pev, z_pev = F_ev(x_pev); f_rev, z_rev = F_ev(x_rev)\n  optimize pose loss and alignment/divergence terms\n  // 具体损失组合与权重未报告\n\n\n\n\n\n### 应用约束\n\n数据约束：预训练需要带3D标注的RGB（InterHand2.6M）与无标注事件（EvRealHands）；下游需要少量EvRealHands标注。材料未给微调样本数，因此“极少样本可用”只有作者声明，缺量化。事件必须转成H×W×2直方图，Δτ与分箱未报告；换事件表示需重调。\n\n计算约束：预训练每步要做T=6次光流估计、warp和事件累加，还要训练G、对抗对齐与L_div；比一次性构造重。推理阶段只是F_ev∘P，不跑迭代构造，但网络推理延迟、功耗、内存未报告。\n\n鲁棒性/适用性：已在Normal、Strong light、Flash及Scripted/Unscripted评测，说明对光照变化有一定验证；但未验证遮挡、背景事件、不同事件相机、不同分辨率、快速运动极端情况。跨数据集/跨传感器泛化未知。\n\n部署判断：论文展示的是离线微调后精度，不是实时部署行为；事件相机低延迟优势不能直接等同于系统低延迟。若用于产品，需要测事件直方图累积延迟、网络推理时间、预训练成本与标注预算。\n\n演示与推断的区分：表1是已展示的部署相关精度证据；计算成本、延迟和跨域鲁棒性多为推断或未报告。\n\n\n\n\n\n### 探索问题\n\n1. 迭代构造与运动反转各自贡献多少？\n验证：固定骨干与微调协议，比较T=1一次性构造、T=6完整、T=6去掉L_div、去掉对抗对齐，以及随机光流/固定光流对照；多次随机种子报告均值方差。\n收益：判断核心创新是否真的必要，避免把增益归因于更多参数或训练技巧。\n风险：代码与超参缺失、对抗训练不稳定、消融之间相互影响；若T=6无稳定增益，论文核心主张会被削弱。\n\n2. 运动先验和T/Δτ有多敏感？\n验证：扫T（如1–8，若可复现）、Δτ与事件直方图分箱，测精度与手指区域事件密度；用真实事件与伪事件的分布距离/关节区域覆盖率做机制指标。\n收益：给出可复现的调参依据，检验T=6是否普适。\n风险：在EvRealHands上过拟合，计算量大；缺少真实事件密度标注时机制指标可能不稳健。\n\n3. 低标注与跨域泛化是否成立？\n验证：用不同数量微调样本画曲线，并在其他事件手部数据/不同传感器或留出采集条件上测试；与RPG-EV同预算比较。\n收益：支撑“适合实际部署”的主张。\n风险：其他事件手部数据稀缺、域差大、需要重新训练，可能暴露性能下降；材料未给微调样本数，复现设计需先补全。\n\n\n\n\n\n### 引用与核验\n\n核验范围：本次仅能访问提供的手稿文本与其中表1/图注，未访问外部论文、代码库或数据集主页；因此以下“已核验”仅指在手稿内部一致，不表示外部独立核验。\n\n新颖性支撑：摘要与引言称“首个”事件手部姿态预训练方法，并引[^11] RPG-EV、[^21] ESS等作为伪RGB–事件对/迁移先例；手稿能支持“相对这些先例的差异陈述”，但不能支持绝对首创，需系统检索。\n\n最强比较：表1的RPG-EV[^11]、CycleGAN[^26]、Vid2E[^3]、ADDA[^22]、SimCLR[^1]数值来自作者实验；RPG-EV是最直接对照，Normal-Scripted的8.25 mm差距可由表1复算。24%/20%/14%提升的计算口径未在手稿中说明，待核验。\n\n数据集与依赖：[^6] EvRealHands/EvHandPose、[^12] InterHand2.6M、[^18] EventHands（参考文献标题写作Evenhands，疑为排版/拼写问题）是复现关键；其标注、划分、事件直方图协议需查原文与数据集页面。\n\n其他引用：[2,5,7–10,13–17,19–20,23–25]主要用于背景、应用或事件相机/去噪等外围支撑，未逐条核验；[^4] EKLT被引作一次性构造相关方法，但其是否直接支持“静止假设”论述需查原文。发表时间/会议、代码与数据可获得性在手稿中未报告，均标为待外部核验。\n\n\n\n\n\n### 最终判断\n\n总体判断：表1提供了可信的“在EvRealHands同一微调设置下精度领先”的证据，尤其相对RPG-EV的8 mm差距可复算；但核心创新归因、首创性、提升百分比和部署成本仍未被充分证明。建议把本文作为“用RGB预训练事件手部估计”的方法模板，先复现主表并做T=1/去L_div/去对抗的消融，再决定是否采用。下一步：优先获取作者代码与数据划分，完成核心消融和关节区域事件密度分析。"
}