الطرق الحالية القائمة على التعلم العميق لإعادة بناء الشبكة البشرية تميل إلى بناء شبكات أكبر لتحقيق دقة أعلى. ومع ذلك، غالبًا ما يتم إهمال التعقيد الحسابي وحجم النموذج، رغم أنهما من الخصائص الأساسية للاستخدام العملي لنماذج إعادة بناء الشبكة البشرية (مثل أنظمة التجربة الافتراضية). في هذا البحث، نقدم GTRS، وهي طريقة خفيفة الوزن تعتمد على الوضعية يمكنها إعادة بناء الشبكة البشرية من الوضعية البصرية ثنائية الأبعاد. نقترح وحدة تحليل الوضعية تستخدم متحولات الرسم البياني لاستغلال العلاقات المهيكلة والضمنية بين المفاصل، ووحدة الانحدار للشبكة التي تجمع بين الخاصية المستخرجة من الوضعية والقالب الشبكي لإعادة بناء الشبكة البشرية النهائية. نثبت كفاءة GTRS وتعميمها من خلال تقييمات شاملة على مجموعات البيانات Human3.6M و 3DPW. بشكل خاص، تحقق GTRS دقة أفضل من الطريقة الرائدة القائمة على الوضعية Pose2Mesh باستخدام فقط 10.2٪ من المعلمات (Params) و 2.5٪ من العمليات العددية (FLOPs) على مجموعة البيانات الصعبة في البيئة الطبيعية 3DPW. سيتم توفير الكود بشكل عام.