本研究报告介绍了在Egocentric 3D Hand Pose Estimation挑战赛中的工作，使用AssemblyHands和基于ViT的骨干网络进行3D关键点预测，通过后处理阶段解决了手-物体遮挡和自遮挡引起的性能下降问题，利用测试时间增强和模型集成进一步改进了方法，实现了12.21mm的MPJPE，并在挑战赛中获得第一名。

本研究报告介绍了在Egocentric 3D Hand Pose Estimation挑战赛中的工作，使用AssemblyHands和ViT骨干网络进行3D关键点预测，通过后处理阶段解决了手-物体遮挡和自遮挡引起的性能下降问题，利用测试时间增强和模型集成进一步改进了方法，获得了第一名。

本研究报告介绍了在Egocentric 3D Hand Pose Estimation挑战赛中的工作，使用AssemblyHands和ViT骨干网络进行3D关键点预测，通过后处理阶段解决了手-物体遮挡和自遮挡引起的性能下降问题，利用测试时间增强和模型集成进一步改进了方法，最终在挑战赛中获得第一名。

本研究报告介绍了在Egocentric 3D Hand Pose Estimation挑战赛中的工作，使用AssemblyHands和基于ViT的骨干网络进行3D关键点预测，通过后处理阶段解决了手-物体遮挡和自遮挡引起的性能下降问题，利用测试时间增强和模型集成进一步改进了方法，最终在挑战赛中获得第一名。