Wir schlagen einen effizienten Ansatz zur Ausnutzung von Bewegungsinformationen aus aufeinanderfolgenden Frames einer Videosequenz vor, um die 3D-Gesten von Personen zu rekonstruieren. Anstatt wie üblich in einzelnen Frames mögliche Gesten zu berechnen und diese anschließend zu verknüpfen, regressieren wir direkt von einem spatio-temporalen Block von Frames auf eine 3D-Gestenposition im zentralen Frame. Wir werden zeigen, dass dieser Ansatz es uns ermöglicht, Ambiguitäten effektiv zu überwinden und die bisherigen State-of-the-Art-Ergebnisse auf anspruchsvollen Sequenzen zu übertreffen.