LBS-AEはunsupervised/self-supervisedな手法としている。具体的には手や体などの、テンプレートとなる3Dモデルの存在を仮定しているのと、Structured Chamfer Distance(SCD)を使って対応を探す精度を向上を試みている。 SCDのキーアイデアは、入力点群のセグメンテーションを行い、対応する領域(小指とか)にわけたのち、最近傍探索をおこなうこと。

FAUST benchmarkやらSMPLを使ってデータを作成。定量評価・定性評価ともにSoTA SOTA VQA手法がGQAにおいて全体的Accuracyが54.1% (vs. VQA2.0 70%程度)．Human精度が89.3%なので，GQAデータセットはまたまたベンチマークとして用いられる．（GQA Challenge2019にも73％くらいのモデル画提案された）

論文読むのであれば図1の絵と文言を確認してからがいいと思います。