Dieses Papier stellt einen auf tiefem Lernen basierenden Ansatz zum Problem der menschlichen Pose-Schätzung vor. Als Lernparadigma verwenden wir generative adversarische Netze, wobei wir zwei gestapelte Hourglass-Netze mit identischer Architektur einsetzen: eines als Generator und das andere als Diskriminator. Nach dem Training wird der Generator als menschlicher Pose-Schätzer verwendet. Der Diskriminator unterscheidet zwischen Ground-Truth-Heatmaps und generierten Heatmaps und propagiert den adversären Verlust zurück zum Generator. Dieser Prozess ermöglicht es dem Generator, plausible Konfigurationen des menschlichen Körpers zu lernen, was sich als nützlich für die Verbesserung der Vorhersagegenauigkeit erwiesen hat.