L’estimation de posture 3D a récemment suscité un intérêt croissant dans le domaine de la vision par ordinateur. Les méthodes existantes d’estimation de posture 3D dépendent fortement de grands jeux de données 3D bien annotés, et souffrent d’une faible généralisation du modèle face à des postures inédites, en raison de la diversité limitée des postures 3D présentes dans les ensembles d’entraînement. Dans ce travail, nous proposons PoseGU, un générateur novateur de postures humaines capable de produire une grande diversité de postures à partir uniquement d’un petit ensemble d’échantillons initiaux, tout en intégrant le principe de minimisation du risque contre-factuel afin d’atteindre un objectif d’évaluation dénué de biais. Des expériences étendues démontrent que PoseGU surpasse presque toutes les méthodes de pointe d’estimation de posture 3D actuelles sur trois jeux de données standards largement utilisés. Une analyse empirique confirme également que PoseGU génère des postures 3D présentant une meilleure diversité des données et une capacité de généralisation améliorée.