本研究提出了一种零-shot人-物交互合成框架，旨在解决3D人-物交互数据获取困难导致的多样性不足问题。该方法利用预训练的多模态模型，从文本描述生成时序一致的2D人-物交互图像序列，并提升到3D交互，增强物理真实感和语义多样性。

本研究提出了一种新方法，从单幅图像中重建人-物交互(HOI)，并构建了开放词汇的3D HOI数据集Open3DHOI。关键在于高效的高斯HOI优化器，能够有效重建人和物之间的空间交互。

本研究提出了一种新方法，通过视觉语言模型(VLM)量化人-物交互检测中的HOI三元组相似性，实验结果表明该方法在检测准确率上达到了最先进水平，推动了人-物交互分析的进展。