Die 3D-Gestenerkennung hat in letzter Zeit erhebliches Interesse im Bereich des Computer Vision hervorgerufen. Bestehende Methoden zur 3D-Gestenerkennung sind stark von großformatigen, gut annotierten 3D-Gestendatenbanken abhängig und leiden unter einer schlechten Modellgeneralisierung auf unbekannte Gesten, da die Trainingsdatensätze eine begrenzte Vielfalt an 3D-Gesten aufweisen. In dieser Arbeit stellen wir PoseGU vor, einen neuartigen Generator menschlicher Gesten, der diverse Gesten erzeugt, wobei lediglich eine kleine Anzahl von Seed-Beispielen zur Verfügung steht, und gleichzeitig das Verfahren des Gegenfaktischen Risikominimierungs (Counterfactual Risk Minimization) einsetzt, um ein verzerrungsfreies Bewertungsziel zu verfolgen. Umfangreiche Experimente zeigen, dass PoseGU nahezu alle state-of-the-art-Methoden zur 3D-Gestenerkennung auf drei gängigen Benchmark-Datensätzen übertrifft. Empirische Analysen belegen zudem, dass PoseGU 3D-Gesten mit verbesserter Datenvielfalt und einer besseren Generalisierungsfähigkeit erzeugt.