نُقدّم خوارزمية جديدة لمحاكاة الشكل البشري ثلاثي الأبعاد من الصور. وباستخدام مزيج من دقة وقابلية التحسين الدقيق لتقنيات التحسين القائمة على التدرج التكراري، ومتانة الشبكات العصبية العميقة، نقترح خوارزمية تناقص التدرج تعتمد على شبكة عصبية لتنبؤ قاعدة تحديث المعلمات في كل تكرار. يوجه هذا التحديث المخصص لكل معلمة وذو وعي بالحالة المُحسَّنة المُحسّن نحو حل جيد في عدد قليل جدًا من الخطوات، ويؤدي إلى التقارب في عدد محدود من الخطوات عادةً. أثناء التدريب، لا يحتاج نهجنا سوى بيانات حركات الممثلين (MoCap) للوضعيات البشرية، المُمَثَّلة باستخدام نموذج SMPL. ومن هذه البيانات، تتعلم الشبكة فضاءً فرعيًا للوضعيات والأشكال الصالحة، حيث يتم تنفيذ التحسين بكفاءة أكبر بكثير. ولا يتطلب النهج أي تطابق صعب الحصول عليه بين الصورة والنموذج ثلاثي الأبعاد. وفي وقت الاختبار، نُحسِّن فقط خطأ إعادة إسقاط المفاصل ثنائية الأبعاد دون الحاجة إلى أي معلومات أولية أو عوامل تحسين إضافية. نُظهر تجريبيًا أن هذه الخوارزمية سريعة (تستغرق متوسط 120 مللي ثانية للوصول إلى التقارب)، ومتينة تجاه البدايات المختلفة والبيانات المختلفة، وتحقق نتائج من الطراز الرائد على مجموعات البيانات التقييمية العامة، بما في ذلك بenchmark 3DPW الصعب في البيئة الحقيقية (بتحسين بنسبة 45% مقارنة بـ SMPLify)، وتنافس أيضًا النماذج التي تعتمد على التطابقات بين الصور والنموذج ثلاثي الأبعاد.