HarmoHOI: Harmonizing Appearance and 3D Motion for Multi-view Hand-Object Interaction Synthesis

Lingwei Dang, Juntong Li, Zonghan Li, Hongwen Zhang, Liang An, Wei Min, Yebin Liu, Qingyao Wu

arXiv:2607.17097 · 2026-07-21 공개 · arXiv · PDF

diffusion-models vision-language diffusion-transformer curriculum-learning hand-object-interaction multi-view-synthesis geometry-alignment point-tracks

Abstract

Hand-Object Interaction (HOI) synthesis is a cornerstone for animation production and embodied AI. Despite the strong priors of video foundation models, multi-view consistent HOI synthesis remains challenging due to complex hand motions and occlusions. We present HarmoHOI, a unified diffusion framework that jointly and harmoniously generates synchronized multi-view HOI videos and globally aligned 3D point tracks. Our core insight is that robust multi-view consistency fundamentally requires globally aligned 3D geometry and motion. To this end, we propose a Mixture of Multi-view Diffusion Transformer that co-models RGB videos and 3D point tracks. By representing point tracks as pseudo-videos, we align 3D geometric signals with the 2D latent space of foundation models, thereby minimizing the domain gap and easing adaptation of priors. To further ensure geometry consistency, we introduce Global Motion Aligning Diffusion, which refines coarse point tracks into metric-scale, globally aligned 3D trajectories. HarmoHOI enables on-the-fly co-evolution of 2D appearance and 3D motion during denoising. To overcome the scarcity of multi-view HOI data, we employ a hybrid data curriculum learning strategy that successfully transfers generic priors from single-view data to synchronized multi-view generation. Experimental results show that HarmoHOI achieves state-of-the-art performance in visual quality, motion plausibility, and multi-view geometric consistency. Project page available at https://droliven.github.io/HarmoHOI_project.

한국어 요약

한 줄 요약

HarmoHOI는 2D 비디오와 전역 3D 운동을 통합 생성하는 다중 뷰 핸드-오브젝트 상호작용 합성 프레임워크이다.

핵심 기여도

핵심 아이디어

기존 연구는 2D 비디오 생성에 집중하거나, 3D 정보를 외부 조건으로 사용하는 방식이 대부분이었다. 이에 반해, HarmoHOI는 2D 비디오와 3D 운동이 **동시에 생성되고 상호 보완**되어야 한다는 통찰을 바탕으로 설계되었다. 핵심 아이디어는 3D 기하학과 운동의 **전역 일관성**이 다중 뷰 일관성을 달성하는 데 필수적이라는 점이다. 이를 위해 3D 포인트 트랙을 "가상 비디오"로 표현하여, 기존 비디오 기반 모델의 잠재 공간과 일치시켜 도메인 간 격차를 줄였다.

기술적 접근법

주요 결과

의의 및 한계

HarmoHOI는 2D 시각 정보와 3D 운동을 통합 생성하는 첫 번째 다중 뷰 핸드-오브젝트 상호작용 생성 프레임워크로, **물리 기반 비디오 월드 모델 구축**에 기여할 수 있다. 또한, **복잡한 가림 현상** 상황에서도 효과적으로 작동하며, **실시간 렌더링 및 시뮬레이션**에 활용 가능하다. 그러나, **TACO 데이터셋은 12개 뷰포인트까지만 제공**하며, **4D 가우시안 표현 학습을 위한 밀도 높은 데이터 수집**이 필요한 한계가 있다.

실용적 활용

HarmoHOI는 애니메이션 제작, 로봇의 신체 조작 학습, VR/AR 환경에서의 실시간 핸드-오브젝트 상호작용 시뮬레이션에 적용 가능하다. 특히, **복잡한 운동 패턴과 가림 현상이 있는 상황**에서의 생성 능력이 뛰어나, **실감 있는 3D 콘텐츠 제작**에 유용하다.