Die Rekonstruktion von 3D-Menschennetzen im freien Feld ist äußerst herausfordernd, da Freifeld-Datensätze (in-the-wild, ITW) nur 2D-Pose-Grundwahrheiten (Ground Truths, GTs) bereitstellen. Kürzlich werden 3D-Pseudo-GTs zunehmend verwendet, um 3D-Menschennetz-Schätznetzwerke zu trainieren, da die 3D-Pseudo-GTs bei der Verwendung von ITW-Datensätzen zur Ausbildung ermöglichen. Dennoch wurde bisher keine umfassende Analyse durchgeführt, die untersucht, welche Faktoren wichtig sind, um nützlichere 3D-Pseudo-GTs zu erzeugen. In dieser Arbeit stellen wir drei Methoden vor, um hochwertige 3D-Pseudo-GTs für ITW-Datensätze zu erhalten. Die Hauptausforderung besteht darin, dass nur eine schwache Überwachung auf Basis von 2D erlaubt ist, wenn die 3D-Pseudo-GTs generiert werden. Jede unserer drei Methoden greift diese Herausforderung aus einer anderen Perspektive an: Tiefenunsicherheit, Suboptimalität der schwachen Überwachung und unglaubwürdige Artikulation. Experimentelle Ergebnisse zeigen, dass das einfache Wiedertrainieren von state-of-the-art Netzwerken mit unseren neuen 3D-Pseudo-GTs ihre Leistung auf ein neues Niveau hebt, ohne zusätzliche Komplexitäten hinzuzufügen. Die 3D-Pseudo-GT ist öffentlich verfügbar unter https://github.com/mks0601/NeuralAnnot_RELEASE.请注意，这里“Freifeld”是“in the wild”的德语翻译，而“ITW”则保留了英文缩写形式，以保持专业术语的一致性和可识别性。同样，“state-of-the-art”也保留了英文形式，因为这是在科技文献中广泛使用的术语。