L’estimation de la posture 3D humaine est une tâche difficile, en raison de défis tels que les parties du corps partiellement masquées ou les postures ambigües. Les réseaux de convolution sur graphe codent les informations structurelles du squelette humain sous la forme d'une matrice d'adjacence, ce qui est avantageux pour une prédiction de posture plus précise. Nous proposons un tel réseau de convolution sur graphe, nommé PoseGraphNet, destiné à la régression de postures 3D à partir de postures 2D. Notre modèle utilise une matrice d'adjacence adaptative ainsi que des noyaux spécifiques aux groupes de voisins. Nous évaluons notre modèle sur le jeu de données Human3.6M, qui constitue une référence standard pour l'estimation de postures 3D. Les performances de notre modèle s'approchent de l'état de l'art, tout en nécessitant un nombre bien plus réduit de paramètres. Le modèle apprend des relations d'adjacence intéressantes entre des articulations qui n'ont pas de connexion physique, mais qui présentent une similarité comportementale.