Wir stellen einen neuartigen Ansatz zur automatischen Rekonstruktion der 3D-Gestalt menschlicher Körper aus einer einzigen Bildaufnahme vor. Die meisten bisherigen Ansätze folgen einer getrennten, kaskadenartigen Vorgehensweise: Zunächst werden in dem Bild eine Reihe von 2D-Features wie Kanten, Gelenke oder Konturen detektiert, die anschließend zur Schätzung der 3D-Gestalt herangezogen werden. Die getrennte Lösung dieser beiden Aufgaben kann jedoch zu fehlerhaften 3D-Gestalten führen, wenn der 2D-Feature-Detektor schlecht funktioniert. In diesem Artikel lösen wir dieses Problem, indem wir beide Aufgaben – die 2D-Detektion und die 3D-Schätzung – gemeinsam behandeln. Dazu schlagen wir einen bayesschen Rahmen vor, der ein generatives Modell auf Basis latenter Variablen mit diskriminativen 2D-Teil-Detektoren, basierend auf HOGs (Histograms of Oriented Gradients), kombiniert und die Inferenz mittels evolutionärer Algorithmen durchführt. Experimentelle Ergebnisse an realen Daten zeigen wettbewerbsfähige Leistungen und belegen die Fähigkeit unserer Methode, sowohl präzise 2D- als auch 3D-Gestaltschätzungen zu liefern, selbst wenn die 2D-Detektoren ungenau sind.