Wir stellen eine einfache und effektive Netzarchitektur für die monokulare 3D-Handpose-Schätzung vor, die aus einem Bildencoder und einem Mesh-Faltungsdecoder besteht und durch einen direkten 3D-Hand-Mesh-Rekonstruktionsverlust trainiert wird. Wir trainieren unser Netzwerk, indem wir eine großskalige Datensammlung von Handaktionen aus YouTube-Videos sammeln und diese als Quelle schwacher Supervision nutzen. Unser schwach überwachtes, auf Mesh-Faltungen basierendes System übertrifft state-of-the-art-Methoden erheblich und halbiert die Fehler sogar auf dem in-the-wild-Benchmark. Die Datensammlung und zusätzliche Ressourcen sind unter https://arielai.com/mesh_hands verfügbar.