【HaMeR】全Transformer架构的单目3D手部网格重建：ViT-H骨干+跨注意力MANO解码器源码深度解析HaMeR（Hand Mesh Recovery）是 UC Berkeley 提出的全 Transformer 架构单目 3D 手部重建方法，采用 ViT-Huge（32层、1280维、16头）作为视觉骨干，配合 6 层跨注意力 Transformer 解码器直接回归 MANO 参数模型的手部姿态（6D旋转表示）、形状（10维 β\betaβ）和相机参数。结合对抗训练与多数据集混合策略，HaMeR 在 FreiHAND、HO-3D 等主流基准上显著超越现有方法，并在 Ego-Exo4D Challenge