Die Schätzung dreidimensionaler menschlicher Körperhaltungen ist eine anspruchsvolle Aufgabe, bedingt durch Herausforderungen wie verdeckte Körperteile und mehrdeutige Haltungen. Graphen-Convolutional Networks (GCNs) kodieren die strukturelle Information des menschlichen Skeletts in Form einer Nachbarschaftsmatrix, was die präzisere Schätzung der Pose fördert. Wir stellen ein solches Graphen-Convolutional Network namens PoseGraphNet zur dreidimensionalen Körperhaltungsschätzung aus zweidimensionalen Poses vor. Unser Netzwerk verwendet eine adaptiv lernbare Nachbarschaftsmatrix sowie kernelspezifische Filter für benachbarte Gelenkgruppen. Wir evaluieren unser Modell auf dem Human3.6M-Datensatz, einem Standarddatensatz für die dreidimensionale Pose-Schätzung. Die Leistung unseres Modells liegt nahe der State-of-the-Art, jedoch mit deutlich weniger Parametern. Zudem lernt das Modell interessante Nachbarschaftsbeziehungen zwischen Gelenken, die physisch nicht verbunden sind, aber verhaltensmäßig ähnlich sind.