Wir beschreiben Twin-Gauß-Prozesse (TGP), eine generische Methode für strukturierte Vorhersage, die Gauß-Prozess-(GP)-Priors sowohl auf den Kovariaten als auch auf den Ausgaben verwendet, wobei beide multivariat sind. Die Ausgaben werden durch Minimierung der Kullback-Leibler-Divergenz zwischen zwei GP geschätzt, die als Normalverteilungen über endlichen Indexmengen von Trainings- und Testbeispielen modelliert werden. Dabei wird betont, dass ähnliche Eingaben ähnliche Wahrnehmungen erzeugen sollen, und dies im Mittel auch zwischen ihren marginalen Verteilungen gelten sollte. TGP erfasst nicht nur die Interdependenzen zwischen Kovariaten, wie dies bei typischen GPs der Fall ist, sondern auch jene zwischen den Ausgaben, sodass Korrelationen sowohl in den Eingaben als auch in den Ausgaben berücksichtigt werden. TGP wird am Beispiel der Rekonstruktion dreidimensionaler menschlicher Pose aus monokularen und multicamera-Videosequenzen im kürzlich vorgestellten HumanEva-Benchmark demonstriert, wobei wir durch gemeinsame Schätzung von Modellen, die Daten mehrerer Personen und Aktivitäten nutzen, im Durchschnitt eine Fehlerquote von 5 cm pro 3D-Marker erreichen. Die Methode ist schnell und automatisiert: Sie erfordert weder eine manuelle Initialisierung der Ausgangspose, noch Kalibrierungsparameter der Kameras noch die Verfügbarkeit eines 3D-Körpermodes, der mit den menschlichen Probanden im Trainings- oder Testprozess assoziiert ist.