本文提出了一个新颖的端到端框架，用于从单眼图像或序列中估计三维手部姿势。通过使用扩散模型和正向运动学层，生成的姿势符合实际。通过添加Transformer模块，克服了抖动问题。该方法在不同数据集上展示了领先的鲁棒性、泛化性和准确性。