{
  "paper_id": "d3a892faaa26d8497edb1e1de1971178",
  "paper_title": "BiTT: Bi-directional Texture Reconstruction of Interacting Two Hands from a Single Image",
  "paper_authors": [
    "Minje Kim",
    "Tae-Kyun Kim"
  ],
  "publication_date": "",
  "publication_venue": "2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)",
  "abstract": "创建个性化手部化身对于在 AR/VR 平台上为用户提供真实体验非常重要。以往大多数研究集中于重建三维手型，近期一些工作开始在手型之上重建手部纹理，但这些方法通常只能获取手部可见侧像素，因此需要视频或多幅图像中的不同视角作为输入。本文提出 BiTT（Bi-directional Texture reconstruction of two hands），这是首个仅用单张 RGB 图像即可对交互双手进行可重光照、无姿态约束纹理重建的端到端可训练方法。其核心包括三部分：利用左右手纹理对称性进行双向（左↔右）纹理重建；使用手部纹理参数模型恢复纹理；以及采用由粗到细的阶段流水线重建交互双手的个性化纹理。BiTT 首先从输入图像估计场景光照条件和反照率图像，然后通过纹理参数模型和双向纹理重建器恢复双手纹理。在 InterHand2.6M 和 RGB2Hands 数据集上的实验表明，该方法在定量和定性上均显著优于现有手部纹理重建方法。代码位于 <https://github.com/yunminjin2/BiTT>。\n",
  "keywords": [
    "双手纹理重建",
    "单图像三维重建",
    "交互双手",
    "可重光照",
    "手部纹理参数模型",
    "双向纹理重建",
    "UV 纹理图",
    "反照率估计",
    "AR/VR"
  ],
  "paper_institutions": [
    "KAIST",
    "Imperial College London"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "doubao-seed-2.1-pro",
  "prompt_template": "simple",
  "extracted_at": "2026-10-20T04:24:22.914894Z",
  "template_tag": "deep_read",
  "summary": "# BiTT: Bi-directional Texture Reconstruction of Interacting Two Hands from a Single Image\n\n\n**作者 / Authors:** Minje Kim, Tae-Kyun Kim\n\n\n**单位 / Institutions:** KAIST, Imperial College London\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：文档含主论文与补充材料（A–F 节），覆盖方法、损失、实验表、消融和定性结果；摘要给出代码链接（GitHub: yunminjin2/BiTT），但未提供代码内容；使用 InterHand2.6M、RGB2Hands，补充材料另用 Re:InterHand。文档未明确给出发表会议/期刊与日期，故 publication_date 与 publication_venue 留空；图像仅有占位与图注，无法核验像素级定性证据。原型判断：method。理由：核心是新的端到端纹理重建流程（场景估计、HTML 粗阶段、BTR 细阶段）及配套损失，并在两个数据集上做定量比较与消融，而非综述或完整系统部署研究。主要材料缺口：缺少正式发表信息、代码/数据的实际可复现细节、以及图像内容本身；补充材料给出网络结构与训练细节，但未覆盖所有基线实现细节。\n\n\n\n\n\n### 问题\n\n问题：从单张 RGB 图像重建双手交互时的可重光照、可控姿态/视角的个性化手部纹理化身。重要性：AR/VR 中真实手部外观影响沉浸感；双手交互遮挡更严重，单图缺少不可见侧信息，因此比单手更难。现有方法不足：S2Hand/AMVUR 等单图法纹理模糊、分辨率低或受逐顶点表示限制；HARP/HTML 等 UV 法多针对单手，HARP 对遮挡区域趋向固定颜色、难恢复细节；NeRF 类 HandAvatar/HandNeRF/LiveHand 通常需同一场景多视图或视频、数百至上千帧，训练成本高，光照控制、网格提取和纹理编辑不便；多视图/视频方法也不满足单图输入。形式化目标（帮助定义问题）：给定输入图像 I、左右手网格 m_l,m_r、相机 p，估计光照 l 与 albedo 图 A(I)，并重建完整 UV 纹理 t_l,t_r，使渲染 I_hat={R(t_i,m_i,p,l)}_{i=l,r} 逼近 I，且在未见姿态/视角/光照下保持合理。\n\n\n\n\n\n### 概览与阅读路线\n\n一句话：BiTT 用左右手纹理对称性、HTML 手纹理参数模型和由粗到细的 UV 纹理重建，从单张双手交互图像生成可重光照、可换姿态/视角的双手纹理。核心思路与贡献：先由光照网络和 albedo 网络做场景估计；粗阶段用 HTML 编码器回归左右手 PCA 纹理向量，补全不可见纹理；细阶段 BTR 在左右手特征间做双向跳连，将可见 albedo UV 与粗阶段全纹理融合，并用对称损失、不可见像素损失和 albedo 一致性损失训练。相对 S2Hand/HTML/HARP，作者强调三点：首次单图双手可重光照纹理重建；显式利用左右手对称信息；用参数模型作为不可见区域先验，而非仅靠可见像素。最重要结果：在 InterHand2.6M 使用 GT mesh 的外观重建中，BiTT 的 L1 0.0101、PSNR 30.41、MS-SSIM 0.9349，优于 HARP 的 0.0157/28.11/0.9061；但 LPIPS 为 0.1019，差于 HARP 的 0.0696。作者声称显著优于 SOTA；可支持范围应限定为：单图每场景训练、相同身份的新姿态/新视角测试、使用 GT 或 IntagHand 网格、InterHand2.6M 与 RGB2Hands 两个数据集。RGB2Hands 上增益较小，作者归因于可用对称纹理比例较低（Tab.3：10.21% vs InterHand2.6M 24.29%）；HandNeRF 仅做定性比较，未给同条件定量；隐式方法因需大量图像未纳入主表。优先阅读：Sec.3.1–3.3 与 Eq.1–6、Fig.3–4（流程与 BTR）、Tab.1/2/3/4（主结果、对称像素比例、消融）、Sec.4.2–4.3。下一轮问题：BTR 的双向连接是否真的利用对称性而非仅增加容量？可见/不可见 mask 如何从网格与相机获得，是否依赖 GT 网格质量？HTML 先验与 BTR 各自贡献多大？新姿态/新视角评估是否固定身份与光照？LPIPS 与主观测试的取舍如何解释？接下来进入第二轮，重点拆解 BTR、损失与实验条件。\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：单张 RGB 图像 I、左右手网格 m_l,m_r、相机 p。输出：完整左右手 UV 纹理 t_hat_l,t_hat_r，并可经 Phong 渲染器 R 在新姿态/视角/光照下渲染 I_hat。流程：\n\n1) 场景估计：光照网络 L 输出 12 维 l（光色、漫反射、镜面反射、方向各 3 维）；albedo 网络 A 以 U-Net 输出 albedo 图 A(I)。\n2) 可见 UV 展开：利用 UV 与图像像素、UV 与纹理向量的映射，从 A(I) 得到可见 albedo 纹理 u_i 和可见 mask v_i。\n3) 粗阶段（参数先验）：HTML 网络 H 输出 202 维，前 101 维 h_l、后 101 维 h_r。HTML 对 51 只手纹理做 PCA：τ_i∈R^{618990}（206330 像素×RGB），均值 τ̄，协方差 C，SVD 得主成分 Φ∈R^{618990×101}，故 T(h_i)=τ̄+Φh_i，且 h_l,h_r=H(I)（Eq.1）。用 R 渲染粗结果 I_coarse_hat={R(T(h_i),m_i,p,l)}（Eq.2）。作用：对不可见区域给出合理先验，避免只靠可见像素。\n4) 合成初始纹理：t_i=T(h_i)(1-v_i)+u_i（Eq.3），即可见处用观测 albedo，不可见处用 HTML 先验；同时渲染 I_albedo_hat={R(u_i,m_i,p,l)}（Eq.4）供 albedo 监督。\n5) 细阶段 BTR：编码 t_l,t_r 得 e_l,e_r；解码器第 i 层同时拼接本手上一层的特征和另一手上一层特征：f_l^i=σ(N([e_l^i,f_l^{i-1},f_r^{i-1}]))，f_r^i=σ(N([e_r^i,f_r^{i-1},f_l^{i-1}]))，其中 σ 为 ReLU，N 为 CNN，[] 为通道拼接。动机：让左右手特征双向交换，显式利用纹理对称性，而非各自独立补全。输出 t_hat_l,t_hat_r∈R^{3×206330}，最终 I_hat={R(t_hat_i,m_i,p,l)}（Eq.6）。\n6) 损失：重建损失 L_rec 同时约束 I、I_coarse、I_albedo 与输入（L1，权重 λ_rec、λ_rec^coarse=0.8、λ_rec^albedo=0.4）；不可见像素损失 L_nv=Σ_i||(T(h_i)-t_hat_i)(1-v_i)||_1，权重 0.2；albedo 一致性损失 L_alb 对三组不同光照下重渲染图经 A 得到的 albedo 两两做 L1，权重 0.2；对称损失 L_sym=λ_sym||t_hat_l-t_hat_r||_1，权重 0.3。总损失为各项加权和。\n关键推导/解释：Eq.3 是可见性 mask 的线性合成，保证可见观测不被先验覆盖；BTR 的双向项把另一手特征引入当前手解码，是其利用对称性的核心； L_nv 只在不可见区把细阶段拉向粗阶段，防止无观测区域漂移。小例子：若左手背可见、右手掌被遮挡，右手掌区域的 v_i=0，初值来自 T(h_r)，BTR 再借左手对应特征和右手可见特征细化。假设：左右手纹理统计上相近；网格与 UV 映射可用；可见 mask 可由网格/相机获得。\n\n\n\n\n\n### 评测设置\n\n数据集：InterHand2.6M 主实验，378 场景/图像，26 个身份，每场景 8 个新姿态×8 个新视角=6048 测试图；RGB2Hands 300 场景，每场景 40 个不同姿态=12000 测试图；Re:InterHand 仅定性（补充 Fig.11）。图像 resize 256×256，UV 模板 1024×1024。训练：per-scene，700 epochs，初始 lr 0.001，每 200 steps 减半，每场景<7 分钟；端到端。评测：L1、LPIPS、PSNR、SSIM、MS-SSIM；主观测试 27 人、72 问、1944 回答、5 分制。基线：S2Hand、HTML、HARP，均改为双手；有 GT mesh（Tab.1a）与无 GT mesh（Tab.1b，RGB2Hands 用 IntagHand）两种条件；HandNeRF 仅定性；隐式 NeRF 方法未入主表。缺失/公平性：未报告硬件、随机种子、方差、推理时延；HARP 用 4 帧单目视频优化，BiTT 仅单图，输入信息量不同；基线改造细节主要在补充，复现需核对；无 GT mesh 条件下所有方法共享 IntagHand 误差，比较的是纹理而非几何。\n\n\n\n\n\n### 结果与证据\n\n核心结果（InterHand2.6M，GT mesh，Tab.1a）：BiTT L1 0.0101、PSNR 30.41、MS-SSIM 0.9349，优于 HARP 0.0157/28.11/0.9061；但 LPIPS 0.1019 差于 HARP 0.0696，说明像素/结构指标更好而学习感知指标并非全面领先。无 GT mesh（Tab.1b）：BiTT L1 0.0131、PSNR 28.40、MS-SSIM 0.9093，优于 HARP 0.0237/25.17/0.8697；LPIPS 0.1044 与 HARP 0.1047 基本持平。新姿态/新视角增益较小（Tab.1a 新姿态 L1 0.0209 vs HARP 0.0239，PSNR 26.54 vs 25.79；不同视角 L1 0.0204 vs 0.0234，PSNR 27.79 vs 25.97）。RGB2Hands（Tab.2）：外观重建 L1 0.0148 vs HARP 0.0155、PSNR 26.02 vs 25.63、SSIM 0.9501 vs 0.9309，但 LPIPS 0.0683 差于 HARP 0.0433，MS-SSIM 0.9323 也略低于 HARP 0.9344；新姿态 PSNR 24.54 vs 23.88，LPIPS 0.0774 略差于 0.0758。作者用 Tab.3 解释 RGB2Hands 增益较小：可用对称纹理仅 10.21%，低于 InterHand2.6M 的 24.29%。消融（Tab.4）：粗阶段+无对称 0.1329/25.36/0.8940；加对称 0.1230/26.21/0.9163；再加 L_alb 0.1176/27.16/0.9199（LPIPS/PSNR/SSIM），支持对称信息和 albedo 一致性有效。但表4始终保留粗阶段，未给“去掉粗阶段”行，故粗阶段相对贡献未被单独量化；主观测试 BiTT 最佳，但指标与 MOS 相关性不高（SSIM 相似性 0.303、真实性 0.358），需谨慎解读。总体：证据支持“单图+对称+参数先验能超过改造后的单图/少帧 UV 基线”，但不支持在所有感知指标上全面领先；HandNeRF 仅定性，不能作为同条件定量证据。\n\n\n\n\n\n### 相关工作\n\n最近相关工作与差异：HARP 是最接近的 UV 纹理方法，作者描述其用单目视频（补充材料中为 4 帧）优化可见像素，遮挡区趋向固定颜色；BiTT 用单张图像、左右手双向特征交换和 HTML 先验补全不可见区。HTML 是参数化手纹理 PCA 模型，BiTT 把其作为粗阶段先验和不可见区约束，而非最终输出；S2Hand 用逐顶点纹理回归，分辨率低且纹理模糊；HandNeRF/HandAvatar/LiveHand 等 NeRF 方法需多视图/视频、数百至上千帧，且隐式表示不便提网格、控光和编辑纹理。成本：BiTT 每场景单图、端到端、<7 分钟训练；HARP 需 4 帧视频；NeRF 类需大量图像和较长训练。作者对 HARP/HTML/S2Hand 的描述来自论文正文与补充；其代码/实现未在材料中核验，属于待验证。外部事实（正式发表信息、当前 SOTA、代码可复现性）材料未给，待核验。\n\n\n\n\n\n### 关键图表解读\n\n1) Fig.3（主文，架构图）：展示场景估计→粗阶段 HTML→细阶段 BTR→Phong 渲染的三段流程，是理解 BiTT 的核心；支持“单图输入、参数先验与双向细化结合”的主张。限制：图为示意，具体通道/训练细节在补充 C，图中不能验证实现细节。\n2) Fig.4（主文，BTR 解码层）：展示每个双向解码块如何拼接本手 skip 特征与另一手特征；支持“左右手双向信息交换”的创新点。限制：未给消融到单个连接层的定量，因此只能说明设计意图，不能单独证明每个连接的必要性。\n3) Tab.1（主文，InterHand2.6M 定量）：比较 GT mesh 与无 GT mesh 下的外观重建、新姿态、新视角；支持 BiTT 在 L1/PSNR/MS-SSIM 上优于 S2Hand/HTML/HARP，同时暴露 LPIPS 不如 HARP。比较条件：同身份新姿态/新视角，GT 或 IntagHand 网格；不能外推到任意身份或野外图像。\n4) Tab.3（主文，像素比例）：给出可见、可用对称、不可见纹理比例；支持“对称信息可补足大量不可见纹理”的动机，并解释 RGB2Hands 增益较小（10.21% vs 24.29%）。限制：比例依赖数据集和网格/相机，非所有场景通用。\n5) Tab.4（主文，消融）：显示加入对称信息和 L_alb 后 LPIPS/PSNR/SSIM 改善；支持两个组件的有效性。限制：所有行都保留粗阶段，未单独去掉粗阶段；也未报告方差，故“显著”需保留。\n过渡：以上图表给出机制与主要证据，下面进入综合评估与复现风险。\n\n\n\n\n\n### 术语表\n\nUV 纹理图：将网格表面展开到 2D 的图像/向量，本文为 1024×1024、206330 像素×RGB。HTML：手纹理参数化模型，对 51 只手纹理做 PCA，给定 101 维向量生成完整纹理。PCA/主成分 Φ：T(h)=τ̄+Φh，把低维参数映射到高维纹理。albedo：与光照无关的表面反射率图。光照参数 l：12 维，含光色、漫反射、镜面反射、方向各 3 维。可见 mask v_i：UV 上可见像素为 1、不可见为 0；u_i 为可见 albedo 纹理。合成纹理 t_i：可见处用 u_i、不可见处用 HTML 先验的线性合成。BTR：双向纹理重建器，编码两手纹理并在解码层交换特征。双向 skip：当前手解码层拼接另一手上一层特征。粗到细：先参数模型补全，再网络细化。per-scene training：每个场景/身份单独训练，本文仅用一张图。IntagHand：无 GT mesh 时用于双手网格初始化的现成方法。Phong 渲染：用环境光/漫反射/镜面反射参数渲染网格。指标：L1、LPIPS（学习感知）、PSNR、SSIM、MS-SSIM。对称纹理：左右手统计上相近、可互相补全的纹理像素。\n\n\n\n\n\n### 全部图表索引\n\n主文：Fig.1 teaser，单图输入下自由视角/姿态/重光照；主文开头。Fig.2 不同身份左右手对称纹理示例（InterHand2.6M 对径相机）；主文第1节。Fig.3 BiTT 总架构（场景估计、粗阶段、细阶段）；主文第3节。Fig.4 BTR 解码层细节；主文 3.3。Fig.5 UV 上可见/不可见/可用对称纹理 mask；主文 4.1。Fig.6 与 HTML/S2Hand/HARP 的定性比较（新姿态/视角）；主文 4.2。Fig.7 单图重建的更多定性结果（姿态/视角/重光照）；主文 4.2。Fig.8 与 HandNeRF 的定性比较；主文 4.2。Tab.1 InterHand2.6M 定量比较（a 用 GT mesh，b 不用 GT mesh）；主文 4.1–4.2。Tab.2 RGB2Hands 定量比较；主文 4.1–4.2。Tab.3 左右手可见/对称/不可见纹理像素比例；主文 4.1。Tab.4 粗阶段、对称信息、albedo 一致性损失消融；主文 4.3。补充：Fig.9 albedo 一致性损失示意；补充 D。Fig.10 albedo 一致性损失效果可视化；补充 D。Fig.11 Re:InterHand 定性结果；补充 F。Fig.12 主观测试结果及与 L1/PSNR/SSIM 的相关性表；补充 E。Fig.13 加入自阴影渲染的定性结果；补充 F。Fig.14 InterHand2.6M 更多定性结果；补充 F。缺失/不可读：文档图像多为占位，无法核验像素级细节；补充材料覆盖 A–F 节，未见额外附录。\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（论文证据）：\n\n1) 在 InterHand2.6M 且使用 GT mesh 的同身份新姿态/新视角评估中，BiTT 的 L1/PSNR/MS-SSIM 优于改造后的 S2Hand、HTML、HARP（Tab.1a；如外观重建 0.0101/30.41/0.9349 对 HARP 0.0157/28.11/0.9061）。无 GT mesh 时趋势保持（Tab.1b）。\n2) 对称信息与 L_alb 有正贡献：Tab.4 从 0.1329/25.36/0.8940 到 0.1230/26.21/0.9163 再到 0.1176/27.16/0.9199（LPIPS/PSNR/SSIM）。\n3) 主观测试 27 人、72 问、1944 回答中 BiTT 最佳（补充 E），但 L1/PSNR/SSIM 与 MOS 相关性低（补充 Fig.12 表：SSIM 相似性 0.303、真实性 0.358），说明客观指标只能部分解释主观偏好。\n\n不足支撑/需保留：\n\n- “显著优于 SOTA”不能扩展为所有感知指标全面领先：Tab.1a LPIPS 0.1019 差于 HARP 0.0696；Tab.2 LPIPS 0.0683 差于 HARP 0.0433，MS-SSIM 也略低。\n- HARP 使用 4 帧单目视频（补充 B），BiTT 单图，输入信息量不同；“单图优于视频法”的比较需谨慎。\n- HandNeRF 仅与论文报告结果做定性比较（Fig.8），无同条件定量；隐式 NeRF 方法未入主表。\n- 粗阶段贡献未被单独消融：Tab.4 所有行均保留 Coarse Stage，无法量化“去掉 HTML 先验”的收益或风险。\n- 未报告硬件、随机种子、方差、推理时延；<7 分钟/场景缺硬件条件。\n关键假设与失败场景：\n- 假设左右手纹理统计相近且存在足够“可用对称纹理”。Tab.3 显示 InterHand2.6M 24.29%、RGB2Hands 10.21%，后者增益较小；若纹身/配饰左右不对称、光照侧偏或遮挡模式使对称区不可用，BTR 的补全依据减弱。\n- 假设网格、相机 p 与 UV 映射可用；严重几何错配会产生明显噪声（论文 Limitation 明确承认）。无 GT mesh 时所有方法共享 IntagHand 误差，比较的是纹理而非几何。\n- 假设 Phong/环境光可解释外观；强阴影、复杂近场光照或镜面高光可能偏离，补充 F 的自阴影仅在单点光源下更真实。\n\n复现计划（面向验证核心创新）：\n所需材料：论文与补充；代码链接 <https://github.com/yunminjin2/BiTT（文档未含代码内容，需外部获取）；InterHand2.6M、RGB2Hands；IntagHand> 用于无 GT mesh；HTML 的 PCA 主成分/UV 模板（1024×1024，206330 像素）；PyTorch、可微 Phong 渲染器。\n关键设置（来自补充 C/4.1）：图像 resize 256×256；per-scene 单图训练；700 epochs；初始 lr 0.001，每 200 steps 减半；损失权重 λ_rec^coarse=0.8、λ_rec^albedo=0.4、λ_nv=0.2、λ_alb=0.2、λ_sym=0.3；光照网络输出 12 维；HTML 网络输出 202 维（左右各 101）；albedo U-Net；BTR 基于 ResNet，编码通道 16/64/128/256，3 个双向解码块，通道 48/192/384/768，sigmoid 输出。\n验证步骤：\n\n1) 复现 Tab.1a 外观重建与 Tab.2；记录每场景时间、硬件、随机种子。\n2) 受控消融：BTR 双向连接改为单向并去掉 L_sym；去掉 L_alb；额外增加“无粗阶段/均值纹理/随机 HTML 向量”行，以量化粗阶段贡献（论文未做）。\n3) 机制检验：按可见/对称/不可见 mask 分层报告指标；在 RGB2Hands 与 InterHand2.6M 间检验“可用对称比例—增益”关系；打乱左右手配对或跨身份配对，检验双向连接是否利用对称而非仅增加容量。\n4) 鲁棒性：用 GT mesh、IntagHand、人工扰动网格三档；报告严重错配下的失败率；检查 LPIPS 与 MOS 的取舍。\n成功标准：主表趋势可复现（L1/PSNR/MS-SSIM 优于 HARP，LPIPS 不必然优于 HARP）；消融中对称信息与 L_alb 带来同方向提升；跨数据集增益与对称比例正相关；若双向连接在参数匹配的单向基线前无增益，则核心创新证据不足。\n伪代码（BTR 核心，按 Sec.3.3 的双向解码公式）：\nfor i in 1..L:\n\n   f_l[i] = ReLU(CNN([e_l[i], f_l[i-1], f_r[i-1]]))\n   f_r[i] = ReLU(CNN([e_r[i], f_r[i-1], f_l[i-1]]))\n输出 t_hat_l, t_hat_r；训练损失 L = L_rec + 0.2L_nv + 0.2L_alb + 0.3L_sym。\n阻塞项：代码/权重未在文档中；HTML 主成分与数据许可需外部确认；硬件与训练稳定性未报告；图像占位无法核验定性细节。\n\n\n\n\n\n### 应用约束\n\n数据：需单张 RGB、左右手网格 m_l,m_r、相机 p；训练 per-scene 单图，但测试需要同身份新姿态/新视角 GT 图。计算：每场景 700 epochs、<7 分钟，但硬件未报告；UV 1024×1024、BTR 和渲染器显存/时延未报告。延迟：未报告推理时延；由于 per-scene 训练，新身份需重新训练，不能零样本直接泛化。鲁棒性：对轻微几何错配有一定鲁棒（Tab.1b、补充 F），严重错配会引入噪声（Limitation）；RGB2Hands 对称比例低，增益小；强阴影/多光源下 Phong 与自阴影可能偏离。适用性：已有手网格/相机的单图个性化纹理与重光照 avatar 原型；不适合从原始单图同时恢复几何与纹理、或要求任意野外身份零样本。部署证据：论文只演示数据集内同身份、受控渲染；未演示移动端、实时、多人或视频流。\n\n\n\n\n\n### 探索问题\n\n1) 双向连接是否真的利用左右手对称性，而非仅增加参数容量？验证：构建参数匹配的单向/晚融合基线；将左右手特征随机打乱或跨身份配对；按可见/对称/不可见 mask 分层报告指标。收益：直接检验核心创新是否成立。风险：容量与感受野混淆；打乱特征可能破坏训练分布。\n2) 粗阶段 HTML 先验的净贡献和失效边界有多大？验证：增加无粗阶段、均值纹理、随机 PCA 向量、仅可见区先验等消融行；按对称比例与网格误差分层。收益：量化 Tab.4 未覆盖的组件贡献。风险：去掉粗阶段可能训练不稳，需调损失；结论依赖 HTML 模型质量。\n3) 能否用纹理反推改网格，降低无 GT mesh 的错配？验证：在 IntagHand 网格上加入可微网格细化或联合优化，比较 Tab.1b 与严重错配子集。收益：提升部署适用性。风险：几何-纹理耦合导致过拟合或不真实形变；需要额外监督或正则。\n\n\n\n\n\n### 引用与核验\n\n本文内部引用可定位：方法依赖 HTML [^34]（Sec.3.2）、HARP [^17]（Sec.2、Tab.1/2）、S2Hand [^6]、IntagHand [^21]（Sec.4.1、Tab.1b）、InterHand2.6M [^28]、RGB2Hands [^40]、HandNeRF [^10]（Fig.8）、Phong [^33]。这些在所给论文中有描述，但我未访问原文/代码逐条核验，不能确认其实现细节或最新 SOTA 地位。\n需要外部核验：1) 正式发表 venue/date 与版本：文档未给，留空；2) 代码 <https://github.com/yunminjin2/BiTT> 是否存在、可运行、许可与权重；3) HTML 的 PCA 主成分和 UV 模板获取方式；4) HARP 的 4 帧设置是否为其标准协议，还是为适配双手/单图比较而改；5) HandNeRF 的定性比较是否来自其论文原图，代码/模型是否不可得（论文称不可得）；6) IntagHand 在 RGB2Hands 上的网格误差对 Tab.2 的影响。\n引用问题：补充材料参考文献中 [S5] 同时标为 Re:InterHand 与 InterHand2.6M，编号重复/错配，需核对；Phong [^33] 的年份/出版信息也需核对。 novelty 声明“首个单图双手可重光照纹理重建”只能相对于本文引用的 S2Hand、AMVUR、HARP、HandNeRF/HandAvatar/LiveHand 等；未做系统检索，不能视为已证实。最强比较 HARP 的输入帧数不同，HandNeRF 仅定性；这两点最影响结论强度。其余引用（如人脸/人体/NeRF 背景）未逐一核验，仅按背景引用处理。\n\n\n\n\n\n### 最终判断\n\n可信部分：在给定网格、同身份、per-scene 单图条件下，BiTT 在 L1/PSNR/MS-SSIM 和主观测试上优于改造基线；对称比例与 RGB2Hands 增益的关联提供机制旁证。需保留：LPIPS 并非全面领先，粗阶段未被单独消融，HARP 输入帧数不同，HandNeRF 仅定性，正式发表信息与代码未核验。使用建议：把它作为“参数先验+左右手双向特征交换”的单图 UV 纹理补全方案，用于已有手网格/相机的个性化 avatar 原型；不要据此宣称任意野外单图全指标 SOTA。下一步：按 Tab.4 和跨数据集对称比例做受控复现，先验证双向连接与粗阶段各自贡献。"
}