L'estimation de la posture 3D humaine est fondamentale pour comprendre le comportement humain. Récemment, des résultats prometteurs ont été obtenus grâce aux réseaux de convolution sur graphe (GCN), qui atteignent des performances de pointe tout en offrant des architectures particulièrement légères. Toutefois, une limitation majeure des GCN réside dans leur incapacité à encoder explicitement toutes les transformations entre les articulations. Pour remédier à ce problème, nous proposons un nouveau GCN spectral basé sur la transformation de Möbius (MöbiusGCN). Cette approche permet notamment d'encoder directement et explicitement les transformations entre les articulations, conduisant à une représentation nettement plus compacte. Par rapport aux architectures les plus légères jusqu'à présent, notre méthode novatrice nécessite entre 90 % et 98 % de paramètres en moins, soit que notre MöbiusGCN le plus léger n'utilise que 0,042 million de paramètres entraînables. En plus de cette réduction drastique du nombre de paramètres, l'encodage explicite des transformations articulaires permet également d'atteindre des résultats de pointe. Nous évaluons notre approche sur deux benchmarks exigeants pour l'estimation de posture, Human3.6M et MPI-INF-3DHP, démontrant à la fois des performances de pointe et une capacité de généralisation remarquable du MöbiusGCN.