تقدير الوضع البشري ثلاثي الأبعاد من صورة واحدة هو مشكلة عكسية بسبب الغموض المتأصل في العمق المفقود. قدّمت العديد من الأعمال السابقة حلولًا لهذه المشكلة العكسية بإنشاء فرضيات متعددة. ومع ذلك، فإن هذه الأعمال تخضع للإشراف الشديد وتتطلب مطابقات حقيقية بين الأبعاد ثنائية وثلاثية الأبعاد (2D-to-3D correspondences)، والتي يمكن أن تكون صعبة الحصول عليها. في هذا البحث، نقترح شبكة عميقة مولدة تخضع لإشراف ضعيف لمعالجة المشكلة العكسية وتخطي الحاجة إلى مطابقات حقيقية بين الأبعاد ثنائية وثلاثية الأبعاد. لتحقيق هذا، قمنا بتصميم شبكتنا لنموذج توزيع مقترح نستخدمه لتقريب التوزيع اللاحق المتعدد النماذج غير المعروف. نحقق التقريب عن طريق تقليل الانحراف KL بين التوزيع المقترح والتوزيع المستهدف، مما يؤدي إلى خطأ إعادة الإسقاط ثنائي الأبعاد ومصطلح خسارة الأولوية التي يمكن إشرافها بشكل ضعيف. بالإضافة إلى ذلك، نحدد الحل الأكثر احتمالًا كوضع المشروط للعينات باستخدام خوارزمية mean-shift. نقيم طريقتنا على ثلاثة مجموعات بيانات معيارية -- Human3.6M، MPII و MPI-INF-3DHP. تظهر النتائج التجريبية أن أسلوبنا قادر على إنشاء فرضيات متعددة محتملة ويحقق أفضل النتائج مقارنة بالأساليب الأخرى الخاضعة للإشراف الضعيف الحالية. شفرتنا المصدر متاحة على موقع المشروع.请注意，这里的人名和机构名称（如Human3.6M, MPII, MPI-INF-3DHP）在阿拉伯语中通常会保留其英文形式，以确保专业性和准确性。