1인칭 시점 (Egocentric) 비디오로부터 상호작용하는 양손의 월드 공간 (World space) 4D 동작을 복원하는 것은 로봇 정책 학습 (Robot policy learning)을 감독하기 위한 핵심적인 능력입니다. 여기서 손목 궤적은 말단 장치 (End-effector)를 추적하고, 손가락 관절 (Finger articulations)은 파지 포즈 (Grasp pose)를 지정합니다. 이 환경에서는 두 가지 주요 과제가 발생합니다. 첫째, 머리 움직임으로 인해 손이 장시간 카메라 시야를 벗어나는 경우가 빈번하며, 둘째, 지속적인 손-물체 상호작용으로 인해 한 손 또는 양손 모두에 심각한 폐쇄 (Occlusion)가 발생합니다. 기존 방법들은 프레임별 신뢰도를 고려하지 않고 노이즈가 섞인 손 동작 관측값에 일률적으로 조건화 (Conditioning)하기 때문에 상당한 성능 저하를 초래합니다.

우리의 핵심 통찰은 정확한 월드 공간 손 동작 추정이 프레임별 손 관측값의 품질과 밀접하게 결합되어 있다는 점입니다. 이를 위해, 우리는 기성 손 포즈 추정기 (Hand pose estimator)로부터 추출된 손 동작 관측값의 품질을 네 가지 채널, 즉 양손의 손목 전역 이동 (Wrist global translation)과 손가락 관절 (Finger articulations)로 분해합니다. 우리는 학습된 품질 네트워크 (Quality network)에 의해 예측되는 이 네 채널의 품질 신호에 조건화된 품질 인식 플로우 매칭 (Quality-aware flow-matching) 프레임워크인 StableHand를 제안합니다. 우리는 채널별 순방향 스케줄 (Per-channel forward schedule), 품질 조정 속도 타겟 (Quality-adjusted velocity target), DiT 디노이저 (Denoiser)의 AdaLN 변조 (Modulation), 그리고 품질 인식 ODE 초기화 (Quality-aware ODE initialization)를 통해 플로우 매칭 과정에 품질 신호를 자연스럽게 통합합니다. 이 통합된 생성 과정은 학습된 양손 동작 사전 정보 (Bimanual motion prior)를 사용하여 신뢰할 수 없는 관측값은 재구성하는 동시에 고품질의 관측값은 보존합니다.

긴 손 누락 구간과 지속적인 손-물체 폐쇄를 특징으로 하는 두 가지 1인칭 시점 벤치마크인 HOT3D 및 ARCTIC에서의 실험 결과, StableHand는 보고된 모든 지표에서 최첨단 (State-of-the-art) 성능을 달성하였으며, 가장 강력한 베이스라인과 비교하여 W-MPJPE를 20-25% 감소시켰습니다. 특히 폐쇄가 심한 ARCTIC 시퀀스에서 가장 큰 성능 향상을 보였습니다.