In den letzten Jahren erhielten Punktewolken-Perzeptionsaufgaben zunehmend mehr Aufmerksamkeit. Diese Arbeit stellt den ersten Versuch vor, ein 3D-Menschengeometrie-Modell aus dünnen LiDAR-Punktewolken zu schätzen. Wir stellten fest, dass die Hauptherausforderung bei der Schätzung von menschlicher Pose und Geometrie aus Punktewolken in der Dünnheit, Rauschigkeit und Unvollständigkeit der LiDAR-Punktewolken liegt. Um diesen Herausforderungen zu begegnen, schlagen wir ein effektives Rekonstruktionsverfahren von dünn zu dicht vor, um das 3D-Menschengeometrie-Modell wiederherzustellen. Dies beinhaltet die Schätzung einer dünnen Darstellung eines Menschen (3D-menschliche Pose) und die schrittweise Rekonstruktion des Körpermeshes. Um die 3D-strukturellen Informationen der Punktewolken besser zu nutzen, setzen wir einen kaskadierten Graphentransformer (Graphormer) ein, um Punktewolken-Features während der Rekonstruktion von dünn zu dicht einzubeziehen. Experimentelle Ergebnisse auf drei öffentlich verfügbaren Datenbanken zeigen die Effektivität des vorgeschlagenen Ansatzes. Quellcode: https://github.com/soullessrobot/LiDAR-HMR/