本研究提出了一种交互提示分布学习（InterProDa）方法，旨在提高人类-物体交互（HOI）检测的准确性。该方法通过学习多组软提示，增强了检测器在类别动态表现和跨类别关系上的能力。在HICO-DET和vcoco基准测试中，InterProDa展现出竞争力的性能，并可与大多数基于变换器的HOI检测器轻松集成，显著提升其效果。

本文介绍了多个4D数据集，如HOI4D、HUMAN4D和4DHumanOutfit，旨在推动计算机视觉和人类-物体交互研究。这些数据集提供丰富的注释和多模态数据，支持姿势估计、动作识别和虚拟试衣等应用，促进相关领域的基准测试和研究进展。