GHOST: Fast Category-agnostic Hand-Object Interaction Reconstruction from RGB Videos using Gaussian Splatting

TL;DR

GHOST使用高斯投影从RGB视频快速重建手物体交互,速度快10倍。

cs.CV 🟡 进阶级 2026-03-19 21 次浏览
Ahmed Tawfik Aboukhadra Marcel Rogge Nadia Robertini Abdalla Arafa Jameel Malik Ahmed Elhayek Didier Stricker
手物体交互 高斯投影 RGB视频 3D重建 计算机视觉

核心发现

方法论

GHOST方法通过高斯投影将手和物体表示为密集的视图一致高斯圆盘。其创新包括几何先验检索与一致性损失、抓握感知对齐以及手感知背景损失。这些组件共同实现了从单个RGB视频中快速、物理一致且可动画的重建。

关键结果

  • 在ARCTIC数据集上,GHOST实现了13倍的速度提升,同时在3D重建和2D渲染质量上超越现有方法。
  • 在HO3D数据集上,GHOST在物体和手的交互质量上取得了显著提升,CDh指标降低。
  • 消融实验表明,几何一致性损失显著提高了物体重建的完整性。

研究意义

GHOST为AR/VR、机器人和具身AI提供了一种高效的手物体交互建模解决方案,解决了现有方法中物理不一致和计算开销大的问题。其速度和精度的提升使其在实际应用中具有很大的潜力。

技术贡献

GHOST通过引入高斯投影和抓握感知对齐,显著减少了计算时间,并提高了重建的物理一致性。与现有方法相比,GHOST不依赖于类别特定模板,具有更广泛的适用性。

新颖性

GHOST首次将高斯投影应用于手物体交互重建,突破了传统方法在遮挡情况下的局限,提供了更快、更准确的解决方案。

局限性

  • 在复杂场景中,几何先验的获取可能受限于数据库的覆盖范围。
  • 对于快速移动的物体,可能需要更高的帧率来保持精度。

未来方向

未来工作可以扩展到可变形和关节物体,探索几何先验在SfM管道中的直接集成,以及实时推理的可能性。

AI 总览摘要

理解单目RGB视频中的手物体交互对于AR/VR、机器人和具身AI至关重要。然而,现有方法依赖于类别特定模板或高计算量,仍然在3D中产生物理不一致的手物体对齐。GHOST(高斯手物体投影)引入了一种快速、类别无关的框架,通过2D高斯投影重建动态手物体交互。GHOST将手和物体表示为密集的、视图一致的高斯圆盘,并引入了几何先验检索与一致性损失、抓握感知对齐以及手感知背景损失等三大创新。GHOST实现了从单个RGB视频中完整、物理一致且可动画的重建,同时比现有类别无关的方法快一个数量级。在ARCTIC、HO3D和野外数据集上的广泛实验表明,GHOST在3D重建和2D渲染质量上实现了最先进的精度,确立了其作为现实手物体交互建模的高效且稳健的解决方案。

深度分析

研究背景

手物体交互的3D重建在AR/VR、机器人和具身AI中具有重要意义。传统方法主要依赖于类别特定的模板或多视角监督,计算成本高且难以处理遮挡问题。近年来,基于神经辐射场(NeRF)的管道如HOLD实现了逼真的渲染,但每个序列的优化需要数小时。高斯投影框架在运行时间上有所改善,但在严重遮挡下仍然产生不现实的手物体接触。

核心问题

现有方法在处理手物体交互时面临物理不一致和计算开销大的问题。特别是在单目RGB视频中,由于遮挡和深度模糊,导致尺度不稳定和接触不一致。这些问题限制了其在实际应用中的可行性。

核心创新

GHOST的核心创新包括:1)几何先验检索与一致性损失,完成遮挡物体区域;2)抓握感知对齐,优化手的平移和物体尺度以确保真实接触;3)手感知背景损失,避免惩罚手遮挡的物体区域。

方法详解

  • �� 预处理:初始化手的网格并检索物体先验。• 手物体对齐:通过抓握感知推理优化尺度和手的平移。• 高斯投影优化:结合遮挡感知一致性共同重建手和物体。

实验设计

在ARCTIC、HO3D和野外数据集上进行广泛实验,使用Chamfer距离和MPJPE等指标评估3D重建精度,以及PSNR和SSIM等指标评估2D渲染质量。消融研究验证了几何一致性损失和手感知背景损失的有效性。

结果分析

GHOST在ARCTIC数据集上实现了13倍的速度提升,同时在3D重建和2D渲染质量上超越现有方法。在HO3D数据集上,GHOST在物体和手的交互质量上取得了显著提升,CDh指标降低。

应用场景

GHOST可以直接应用于AR/VR系统、机器人操作和具身AI中,用于高效的手物体交互建模。其快速和准确的重建能力使其在这些领域具有广泛的应用潜力。

局限与展望

GHOST在复杂场景中可能受限于几何先验的获取,特别是在数据库覆盖范围有限的情况下。此外,对于快速移动的物体,可能需要更高的帧率来保持精度。未来可以通过扩展到可变形和关节物体来改善这些局限。

通俗解读 非专业人士也能看懂

想象你在厨房里做饭。GHOST就像一个超级智能的厨师助手,它能快速识别你手里的每一个工具和食材,并在你做饭时实时跟踪它们的位置和状态。即使你用手遮住了一部分工具,它也能通过记忆和推理,准确地重建出完整的工具形状。这就像你在做饭时,助手能预测你下一步需要的工具,并把它们放在你触手可及的地方。GHOST通过这种方式,帮助你在虚拟世界中实现更自然、更流畅的交互体验。

简单解释 像给14岁少年讲一样

嘿,想象一下你在玩一个超酷的VR游戏!GHOST就像你的隐形助手,能实时跟踪你手里的每一个道具。即使你用手挡住了一部分道具,它也能通过超级聪明的算法,重建出完整的道具形状。就像在游戏中,你可以随时随地拿起任何物品,GHOST确保这些物品在虚拟世界中看起来和现实一样真实。这让你的游戏体验更加逼真和有趣!

术语表

高斯投影 (Gaussian Splatting)

一种将3D场景表示为一组高斯分布的方法,用于快速渲染和重建。

在GHOST中用于表示手和物体的形状。

几何先验 (Geometric Prior)

预先获取的几何信息,用于指导重建过程中的形状补全。

用于补全遮挡物体的隐藏表面。

抓握感知对齐 (Grasp-aware Alignment)

一种优化手的平移和物体尺度的方法,以确保真实的手物体接触。

在GHOST中用于提高物理一致性。

手感知背景损失 (Hand-aware Background Loss)

一种损失函数,避免在重建过程中惩罚手遮挡的物体区域。

用于提高遮挡情况下的重建质量。

Chamfer距离 (Chamfer Distance)

一种用于评估两组点云之间相似度的指标。

在实验中用于评估3D重建精度。

开放问题 这项研究留下的未解疑问

  • 1 如何在实时应用中进一步提高GHOST的速度和精度?
  • 2 在更复杂的场景中,如何获取和利用更准确的几何先验?

应用场景

近期应用

AR/VR系统

GHOST可以用于增强现实和虚拟现实系统中,实现更自然的手物体交互。

远期愿景

机器人操作

GHOST可以用于机器人操作中,提高机器人对复杂任务的处理能力。

原文摘要

Understanding realistic hand-object interactions from monocular RGB videos is essential for AR/VR, robotics, and embodied AI. Existing methods rely on category-specific templates or heavy computation, yet still produce physically inconsistent hand-object alignment in 3D. We introduce GHOST (Gaussian Hand-Object Splatting), a fast, category-agnostic framework for reconstructing dynamic hand-object interactions using 2D Gaussian Splatting. GHOST represents both hands and objects as dense, view-consistent Gaussian discs and introduces three key innovations: (1) a geometric-prior retrieval and consistency loss that completes occluded object regions, (2) a grasp-aware alignment that refines hand translations and object scale to ensure realistic contact, and (3) a hand-aware background loss that prevents penalizing hand-occluded object regions. GHOST achieves complete, physically consistent, and animatable reconstructions from a single RGB video while running an order of magnitude faster than prior category-agnostic methods. Extensive experiments on ARCTIC, HO3D, and in-the-wild datasets demonstrate state-of-the-art accuracy in 3D reconstruction and 2D rendering quality, establishing GHOST as an efficient and robust solution for realistic hand-object interaction modeling. Code is available at https://github.com/ATAboukhadra/GHOST.

cs.CV