Newest papers

DenseHap: Dense Hand Haptic Estimation from Monocular Images

Junhan Xue, Rolandos Alexandros Potamias · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.26583 · cited by 0 works (OpenAlex) · open-access PDF

Portuguese

À medida que a manipulação robótica habilidosa do código avança, as anotações escaláveis das interações mão-objeto humano estão se tornando cada vez mais importantes. Além disso, os métodos anteriores de estimativa de contato com a mão sofreram de problemas como falhas de classificação do lado dorsal e precisão insuficiente, ao mesmo tempo em que falta um quadro unificado para integrar múltiplas modalidades de interação mão-ambiente, incluindo campos de distância, limiares de contato e pressão. Para resolver isso, apresentamos DenseHap, uma abordagem unificada de ponta a ponta para estimar o reconhecimento de distância de campo de mão, detecção de contato com a mão abrangente, análise de pressão da mão e reconstrução da mão de uma única imagem monocular. Ao incorporar três cabeças

Machine translation (Meta M2M100); the English original follows.

Abstract

As dexterous robotic manipulation advances, scalable annotations of human hand-object interactions are becoming increasingly important. Furthermore, previous hand contact estimation methods suffered from issues such as dorsal-side misclassifications and insufficient precision, while lacking a unified framework for integrating multiple hand to environment interaction modalities, including distance fields, contact thresholds, and pressure. To address that, we present DenseHap, a unified end-to-end approach to estimate hand distance field recognition, comprehensive hand contact detection, hand pressure analysis, and hand reconstruction from a single monocular image. By incorporating three distinctly defined heads, along with a pretrained 3D reconstructed skeleton and an enhanced dataset, DenseHap outperforms previous state of the art models on four evaluation datasets, improving the F1 score by 8.5 percentage points (a 16% relative improvement) on untrained datasets and by 3 percentage points (5% relative improvement) on in-distribution datasets. Furthermore, DenseHap has effectively improved short-range hand estimate and pressure evaluation. Code and models will be publicly available upon the paper's acceptance.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Monocular, Artificial intelligence, Computer science, Computer vision, Haptic technology, Scalability

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange