强监督三维手部姿态估计方法在复杂真实环境下泛化能力有限，常面临时序抖动和精度下降问题。多样性高质量标注手部数据的缺失是导致现有模型泛化能力差的核心原因。自监督三维手部重建正旨在通过利用海量无标注数据自身蕴含的结构信息，构造伪标签和预测任务，使模型在无需人工标注的条件下自主学习鲁棒手部特征，从而有效缓解过拟合问题。我们的工作借助多视角自监督策略，构建跨视角共享的一致性潜在表征空间，实现知识迁移与互补优势的充分挖掘，不仅提升了对手部自遮挡、复杂姿态的识别能力，增强了系统在真实场景下的鲁棒性和精确度。我们的研究在无需任何标注数据的情况下，首次实现了10mm三维手部重建误差。

精准重建手部与物体交互过程，赋能虚拟现实、智能制造和机器人操作等。手物交互数据包含描述手部动态姿态和物体位姿的时空信息，比如交互序列数据。我们的研究方向主要集中在手物姿态估计、细粒度手物网格重建、照片级真实的手物渲染，旨在提升交互细节的还原度和物理合理性。研究平台已在多个场景的人机交互平台中落地应用。例如，在裸手交互系统中，无需额外传感器即可实现对手部和物体的精确三维重建，提升了交互的自然度和灵活性；在VR平台中，手物交互重建技术助力高沉浸式体验；此外，研究成果在真实场景渲染中也得到了广泛应用，通过高精度的手物建模与渲染技术，实现了交互过程的照片级还原，为影视制作、数字孪生和工业仿真等领域提供了核心技术支持。