Wir betrachten das Problem der Rekonstruktion von dicken Menschenmodellen, d.h., das Anpassen eines parametrischen menschlichen Modells an Bilder von übergewichtigen Personen. Trotz der Tatsache, dass die Anpassung von Modellen an übergewichtige Personen ein wichtiges Problem mit zahlreichen Anwendungen (z.B. im Gesundheitswesen) darstellt, hat sich der jüngste Fortschritt bei der Mesh-Rekonstruktion weitgehend auf Bilder von nicht-übergewichtigen Personen beschränkt. In dieser Arbeit identifizieren wir diese entscheidende Lücke in der aktuellen Literatur, indem wir die Einschränkungen bestehender Algorithmen präsentieren und diskutieren. Als Nächstes stellen wir eine einfache Baseline vor, um dieses Problem anzugehen, die skalierbar ist und leicht in Verbindung mit existierenden Algorithmen verwendet werden kann, um deren Leistung zu verbessern. Schließlich präsentieren wir einen verallgemeinerten Optimierungsalgorithmus für menschliche Modelle, der die Leistung bestehender Methoden sowohl bei Bildern von übergewichtigen Personen als auch bei community-standardisierten Benchmark-Datensätzen erheblich steigert. Ein wesentlicher Innovationsaspekt dieser Technik besteht darin, dass sie keine Aufsicht durch teuer zu erstellende Mesh-Parameter benötigt. Stattdessen startet unsere Methode mit weit verbreiteten und kostengünstigen 2D-Schlüsselpunkte-Annotierungen und generiert automatisch Mesh-Parameter, die ihrerseits verwendet werden können, um existierende Mesh-Schätzalgorithmen neu zu trainieren und fein abzustimmen. Auf diese Weise zeigen wir, dass unsere Methode als Drop-In-Lösung fungiert, um die Leistung einer Vielzahl zeitgemäßer Mesh-Schätzmethoden zu verbessern. Wir führen umfangreiche Experimente an mehreren Datensätzen durch, die sowohl Standard- als auch Übergewichtsbilder enthalten, und demonstrieren die Effektivität unserer vorgeschlagenen Techniken.