الطرق المراقبة لتقدير الوضع ثلاثي الأبعاد من صور فردية تكون فعالة بشكل ملحوظ عندما يكون البيانات المصنفة وفيرة. ومع ذلك، نظرًا لأن الحصول على التسميات الحقيقية ثلاثية الأبعاد يتطلب جهدًا بشريًا كبيرًا ويستغرق وقتًا طويلاً، فقد اتجهت الاهتمامات الحديثة نحو التعلم شبه المراقب والتعلم قليل الرقابة. لا تزال إنشاء شكل فعال من أشكال الرقابة باستخدام عدد قليل من التسميات يشكل تحديًا رئيسيًا في المشاهد المزدحمة. في هذا البحث، نقترح فرض قيود هندسية متعددة الزوايا عن طريق التثليث القابل للمفاضلة والموزون واستخدامها كشكل من أشكال الرقابة الذاتية عند عدم توفر التسميات. وبالتالي، نقوم بتدريب مقدر الوضع ثنائي الأبعاد بطريقة تجعل توقعاته تتوافق مع إعادة الإسقاط للتثليث ثلاثي الأبعاد ونقوم بتدريب شبكة معاونة عليها لإنتاج الوضعيات ثلاثية الأبعاد النهائية. نكمل التثليث بآلية وزنية تخفف من تأثير التوقعات الضوضائية الناجمة عن الاختفاء الذاتي أو الاختفاء بسبب الأجسام الأخرى. نوضح فعالية نهجنا شبه المراقب على مجموعات البيانات Human3.6M و MPI-INF-3DHP وكذلك على مجموعة بيانات جديدة متعددة الزوايا ومultiple-person تحتوي على عناصر الاختفاء (occlusion).