新智元 2026-07-13 12:46 文章报道，大晓机器人联合南洋理工大学、上海交大发布 ACE-ViDiHand，称其是全球首个用视频生成模型做 4D 手部动捕的方法。1
这期图集抓三个看点：
- 论文把手部姿态估计改写成从视频世界模型里读取表征，而不是继续堆检测器和运动补全。2
- 方法先让模型在每帧叠加半透明手部渲染，再读取 DiT 中层特征并用双分支解码器输出双手轨迹。
- 原文称它在 ARCTIC、HOT3D、HOI4D 三个基准上拿到大范围第一；遮挡场景帧准确率 0.997，对比 WiLoR 的 0.919。3
图集顺序：世界模型读手 → 先画手再读手 → 遮挡下少丢手。
References
- 1全球首创！AI看一眼视频就能「读出」双手，三个世界第一
mp.weixin.qq.com
- 2
- 3ACE-ViDiHand 项目主页
ace-vidihand.github.io
Comments