بينما يُعد تمثيل الإحداثيات الافتراضي القياسي في تقدير وضعية الإنسان، فإن الخريطة الحرارية (heatmap) لم تُدرس بشكل منهجي في الأدبيات العلمية، إلى أقصى ما نعرفه. يُغطي هذا العمل الفجوة المذكورة من خلال دراسة تمثيل الإحداثيات مع التركيز الخاص على الخريطة الحرارية. وبشكل مثير للاهتمام، وجدنا أن عملية فك تشفير الخرائط الحرارية المُتنبأ بها إلى إحداثيات المفاصل النهائية في فضاء الصورة الأصلية تُعدّ ذات أهمية مُفاجئة بالنسبة لأداء تقدير وضعية الإنسان، وهو ما لم يُؤخذ بعين الاعتبار من قبل. استنادًا إلى الأهمية المكتشفة، نقوم بتحليل القيود التصميمية للطريقة القياسية لفك التشفير المستخدمة على نطاق واسع من قبل الطرق الحالية، ونُقدّم طريقة جديدة لفك التشفير تعتمد على التوزيع (distribution-aware)، وهي أكثر منهجية. وفي الوقت نفسه، نُحسّن عملية التشفير القياسية للإحداثيات (أي تحويل الإحداثيات الحقيقية إلى خرائط حرارية) من خلال إنشاء توزيعات خريطة حرارية دقيقة لتمكين تدريب نموذج خالٍ من التحيز. وباتخاذ هذين العنصرين معًا، نُصيغ طريقة جديدة تُسمى تمثيل الإحداثيات المُدرك للتوزيع للنقاط المميزة (DARK)، والتي تعمل كمكوّن مُدمج لا يعتمد على النموذج (model-agnostic plug-in)، وتحسّن بشكل كبير أداء مجموعة متنوعة من نماذج تقدير وضعية الإنسان الحديثة. تُظهر التجارب الواسعة أن طريقة DARK تحقق أفضل النتائج على معيارين شائعيين، وهما MPII وCOCO، مما يُؤكد بشكل مستمر على فعالية وفائدة فكرة تمثيل الإحداثيات الجديدة التي قدمناها.