针对基于单目RGB图像的3D姿态与形状估计问题，由于遮挡和截断等因素，通常存在多个可行解。本文提出一种多假设概率框架，通过优化数据分布与模型分布之间的Kullback-Leibler散度（KLD）来实现。我们的方法揭示了姿态熵与多假设之间多样性之间的关联，这一关系此前在相关研究中被忽视。为实现全面评估，除了传统的最优假设（Best Hypothesis, BH）指标外，我们进一步引入可见性（visibility）作为评估多样性的考量因素。此外，本框架具有标签友好性，能够仅基于部分可见的2D关键点进行训练，无需完整标注。在具有挑战性的模糊数据集和真实世界基准上的实验表明，本方法在综合评估中优于现有的其他先进多假设方法。项目主页详见：https://gloryyrolg.github.io/MHEntropy。