Wir betrachten das Problem der Erstellung dichter 3D-Rekonstruktionen von Menschen aus einzelnen und teilweise verdeckten Ansichten. In solchen Fällen ist die visuelle Beweisführung in der Regel nicht ausreichend, um eine eindeutige 3D-Rekonstruktion zu identifizieren, daher streben wir danach, mehrere plausiblen Rekonstruktionen zu ermitteln, die mit den Eingabedaten vereinbar sind. Wir schlagen vor, dass Unsicherheiten durch Parametrisierung der möglichen Körperformen und -haltungen mittels eines geeigneten 3D-Modells wie SMPL (Shape and Motion capture with a Learned model) für Menschen effektiver modelliert werden können. Wir schlagen vor, einen Multi-Hypothese-Neuralnetzregressor unter Verwendung eines Best-of-M-Verlustes zu lernen, wobei jede der M Hypothesen durch ein generatives Modell auf einer Mannigfaltigkeit plausibler menschlicher Haltungen eingeschränkt wird. Wir zeigen, dass unsere Methode alternative Ansätze bei der Wiederherstellung unsicherer Haltungen auf Standard-Benchmarks für 3D-Menschen sowie auf stark verdeckten Versionen dieser Benchmarks übertrifft.