Regressionsbasierte Methoden erzielen bei der Schätzung von menschlichen Körperhaltungen nicht so gute Ergebnisse wie detektionsbasierte Methoden. Ein zentrales Problem besteht darin, dass die strukturellen Informationen in der Körperhaltung in den bisherigen Regressionsmethoden nicht ausreichend genutzt werden. In dieser Arbeit schlagen wir einen strukturbewussten Regressionsansatz vor. Dieser Ansatz verwendet eine umparametrisierte Darstellung der Körperhaltung, die auf Knochen statt auf Gelenken basiert. Er nutzt die Gelenkverbindungstruktur, um eine kompositionale Verlustfunktion zu definieren, die die langreichweitigen Interaktionen in der Körperhaltung kodiert. Die Methode ist einfach, effektiv und allgemein anwendbar für sowohl 2D- als auch 3D-Körperhaltungsschätzungen in einem einheitlichen Rahmen. Eine umfassende Evaluation bestätigt die Effektivität unseres Ansatzes. Er verbessert den Stand der Technik auf Human3.6M erheblich und ist mit den besten Ergebnissen auf MPII vergleichbar.