حصل التقدير الثلاثي للوضعية (3D pose estimation) على اهتمام كبير في مجال رؤية الحاسوب مؤخرًا. تعتمد الطرق الحالية لتقدير الوضعية الثلاثية بشكل قوي على مجموعات بيانات ثلاثية الأبعاد كبيرة ومُعلَّمة بدقة، كما تعاني من ضعف قدرة النموذج على التعميم على وضعيات غير مرئية ناتجًا عن قلة تنوع الوضعيات الثلاثية في مجموعات التدريب. في هذا العمل، نقترح PoseGU، وهو مُولِّد جديد للوضعيات البشرية، يُنتج وضعيات متنوعة باستخدام فقط عينات بذور صغيرة الحجم، مع تمكينه من مبدأ تقليل المخاطر المُعاكسة (Counterfactual Risk Minimization) لتحقيق هدف تقييم غير متحيّز. أظهرت التجارب الواسعة أن PoseGU يتفوق على معظم الطرق الحديثة المتقدمة لتقدير الوضعية البشرية الثلاثية على ثلاث مجموعات معيارية شهيرة. كما أثبت التحليل التجريبي أن PoseGU يُنتج وضعيات ثلاثية الأبعاد تتميز بتنوع بيانات محسّن وقدرة أفضل على التعميم.