MediaPipe
Google开源的跨平台机器学习管线工具，提供手部追踪、姿态估计等计算机视觉能力，支持实时识别手掌21个关键节点和人体33个关键点
核心事实
时间轴 (近 90 天)
基于InsightFace或MediaPipe的面部检测节点先定位人脸边界框，再对每张脸单独执行img2img重绘，最后融合回原图
在手机上、偏暖的室内灯光下，MediaPipe 追踪置信度会崩溃，系统陷入静止
一位开发者基于 MediaPipe 的 HandLandmarker 构建了一个浏览器端手势交互应用，可实现捏合缩放、张开手掌旋转、指向停留选中，且完全运行在客户端不上传视频
可以用OpenCV处理彩色与深度图像做背景分割和轮廓检测，用Open3D或PCL将深度图转为点云做三维重建，结合MediaPipe或深度学习姿态估计模型
MediaPipe采用两阶段检测器，相比需要GPU加速的OpenPose，可在CPU上达到30fps以上
人体姿态估计技术可从二维视频中提取人体三维骨骼运动序列，主流方案包括OpenPose、MediaPipe和MotionBERT
骨骼关键点检测（如OpenPose、MediaPipe、DWPose）通过定位人体17至25个关节点描述整体姿态，是稀疏但语义化的表示方法
Google为Gemma提供了多种量化版本，并通过MediaPipe和TensorFlow Lite等框架支持在Android、iOS、浏览器等环境中运行
MediaPipe是谷歌开源的机器学习管线框架，其手势识别模块可在普通手机摄像头上以每秒30帧以上速度追踪21个手部关键点，延迟低至几十毫秒
全部知识事实 (9)
MediaPipe是谷歌开源的机器学习管线框架，其手势识别模块可在普通手机摄像头上以每秒30帧以上速度追踪21个手部关键点，延迟低至几十毫秒
65%待验证基于InsightFace或MediaPipe的面部检测节点先定位人脸边界框，再对每张脸单独执行img2img重绘，最后融合回原图
50%待验证在手机上、偏暖的室内灯光下，MediaPipe 追踪置信度会崩溃，系统陷入静止
50%待验证可以用OpenCV处理彩色与深度图像做背景分割和轮廓检测，用Open3D或PCL将深度图转为点云做三维重建，结合MediaPipe或深度学习姿态估计模型
50%待验证MediaPipe采用两阶段检测器，相比需要GPU加速的OpenPose，可在CPU上达到30fps以上
50%待验证人体姿态估计技术可从二维视频中提取人体三维骨骼运动序列，主流方案包括OpenPose、MediaPipe和MotionBERT
50%待验证骨骼关键点检测（如OpenPose、MediaPipe、DWPose）通过定位人体17至25个关节点描述整体姿态，是稀疏但语义化的表示方法
50%待验证Google为Gemma提供了多种量化版本，并通过MediaPipe和TensorFlow Lite等框架支持在Android、iOS、浏览器等环境中运行
50%待验证一位开发者基于 MediaPipe 的 HandLandmarker 构建了一个浏览器端手势交互应用，可实现捏合缩放、张开手掌旋转、指向停留选中，且完全运行在客户端不上传视频
50%