核心：估手姿 → retarget 成机器人末端 (位姿 + 夹爪) → inpaint 擦掉手 → MuJoCo 渲染同姿态机械臂叠回画面，让人类视频变成「像机器人在做」的观测

Phantom 的创新是：在受控人类视频上证明「只靠编辑后的人类视频就能出能用的策略」；Masquerade 的创新是：把 Phantom 式编辑推到野外规模，但 3D 不可靠，所以改成「编辑画面 + 2D 辅助 + 必须协同真机」。

1. Phantom：

是固定机位、单手、有深度、精心采集的人类演示，编辑完可以直接当动作标签：用 RGBD + 深度 refine HaMeR，得到较可信的 3D 末端动作，直接训策略。

训练阶段完全不要机器人数据，只靠人类演示视频，经「数据编辑」变成机器人风格的观测–动作对，再训模仿学习策略，真机上零样本部署、不再用机器人数据微调。

Phantom 赌的是：先把人「改成机器人画面」，同时从人手恢复 3D 末端轨迹，整条演示就能当机器人模仿数据用——不需要哪怕一条真机示教

2. Masquerade

Epic Kitchens：头戴相机在动、双手、遮挡、没有深度。单目三维不准，所以贴上的机器人只用来改画面，三维动作不拿去训策略。监督只留投影后的二维末端点，深度方向大约差 3–4 cm：野外无深度，只能 2D 辅助

1. 手在哪。 Epic Kitchens 自带的标注先框出左右手。HaMeR 对每只手出 21 个解剖关键点，带一个单目估出来的 3D。没有深度图，这个 3D 的绝对尺度不准，深度方向大约差 3–4 cm。

2. 21 个点变成机器人末端。

套一个手模型：抓取点（掌心）当末端位置，手的朝向当末端朝向，拇指尖到食指尖的距离当夹爪开合。Robotiq 2F-85 的开口是 0 到 8.5 cm，再映射到夹爪指令。人的灵巧抓法对不上平行夹爪，这一步本来就会歪。

预训练之后，这个二维预测损失不能停 

训练侧绕开 3D：策略动作只来自 50 条真机；人类视频只提供「叠臂画面 + 2D 辅助」，不把错误 3D 送进 L_policy

Masquerade 必须每任务 50 条真机 + 协同训练