چکیده
بازسازی دست‑شیء در چهار بعد معمولاً به کاهش هزینه‌های هر توالی وابسته به منابع وابغ می‌انجامد، در حالی که روش‌های تولیدی معمولاً تعاملات را از نویز تصادفی می‌سازند که می‌تواند پیش‌بینی ناپایدار آن‌ها را به‌وجود آورد. ما چارچوبی به نام ۴D‑HOF را معرفی می‌کنیم که تعاملات دست‑شیء در چهار بعد را از برآوردهای اولیه ولی اطلاعاتی که توسط مدل‌های پایه بینایی تولید می‌شوند، می‌گیرد. به طور خاص، یک مدل همپوشانی جریان مشروطی آموزش می‌دهیم که حالت‌های دست‑شیء استخراج‌شده از مدل‌های پایه را به یک سلسله پیوسته می‌رساند؛ این کار به مدل امکان می‌دهد تا به‌صورت پیشرو (به‌صورت جلو‑به‑جلو) اشتباهات ترجمه، چرخش و تنظیم را اصلاح کند. مزیت اصلی از این فرمولاسیون تولیدی این است که می‌تواند به‌صورت طبیعی راهنمای (guidance) در زمان تست را در فرآیند انتقال (transfer) فراهم کند. به‌جای بهینه‌سازی جداگانه پس از بازسازی، مستقیماً حالت‌های تولیدی در حال تکامل را با استفاده از محدودیت‌های فیزیکی تعامل و شواهد ۲D مشاهده‌شده هدایت می‌کنیم؛ این کار باعث می‌شود بازسازی به‌عنوان بخشی از فرآیند تولیدی دقیق‌تری انجام شود. با آموزش مدل تولیدی بر روی مجموعه‌های داده‌ای متنوع، ۴D‑HOF به‌طور قابل اعتماد می‌تواند در سناریوهای چالش‌برانگیز دنیای واقعی تعمیم یابد. آزمون‌ها در بنچمارک‌های خارج از دامنه نشان می‌دهد که ۴D‑HOF می‌تواند نقطه عطف (breakthrough) ایجاد کند و بازسازی‌های دست‑شیء در چهار بعد پایدارتر و دقیق‌تری تولید نماید.