Wir stellen KAMA vor, einen Ansatz zur 3D-Keypoint-bewussten Gliederung von Netzen (3D Keypoint Aware Mesh Articulation), der es uns ermöglicht, ein menschliches Körpernetz aus den Positionen von 3D-Körperkeypoints zu schätzen. Dazu lernen wir die Schätzung der 3D-Positionen von 26 Körperkeypoints und schlagen eine analytische Lösung vor, um ein parametrisches Körpermodell, SMPL, durch eine Reihe einfacher geometrischer Transformationen zu gliedern. Da die Keypoint-Schätzung direkt auf Bildhinweisen basiert, bietet unser Ansatz im Vergleich zu den besten bisher bekannten Methoden eine erheblich bessere Anpassung an den Bildinhalt. Unser vorgeschlagener Ansatz benötigt keine gepaarten Netzannotierungen und ist in der Lage, durch reine 3D-Keypoint-Regression state-of-the-art Netz-Anpassungen zu erreichen. Die Ergebnisse auf dem anspruchsvollen Datensatz 3DPW und Human3.6M zeigen, dass unser Ansatz state-of-the-art Körpernetzanpassungen liefert.