Diese Studie präsentiert ein neues Netzwerk (d.h. PoseLifter), das in der Lage ist, eine 2D-Menschenpose in eine absolute 3D-Pose innerhalb eines Kamerakoordinatensystems zu überführen. Das vorgeschlagene Netzwerk schätzt die absolute 3D-Lage eines Zielobjekts ab und liefert eine verbesserte Schätzung der relativen 3D-Pose im Vergleich zu bestehenden Pose-Lifting-Methoden. Durch die kaskadenartige Kombination von PoseLifter mit einem 2D-Pose-Schätzer kann eine 3D-Menschenpose aus einem einzigen RGB-Bild abgeschätzt werden. In diesem Fall zeigen wir empirisch, dass die Verwendung realistischer, mit der tatsächlichen Fehlverteilung der 2D-Gelenke synthetisierter 2D-Posen die Leistung unseres PoseLifter erheblich verbessert. Die vorgeschlagene Methode wird auf öffentlichen Datensätzen angewendet und erreicht dabei den Stand der Technik bei der 2D-zu-3D-Pose-Überführung sowie bei der 3D-Menschenpose-Schätzung.