Pour l'estimation 3D de la posture et de la forme à partir d'une seule image RGB, plusieurs solutions sont souvent possibles en raison de facteurs tels que l'occlusion et le troncature. Ce travail présente un cadre probabiliste multi-hypothèses fondé sur l'optimisation de la divergence de Kullback-Leibler (KLD) entre la distribution des données et celle du modèle. Notre formulation met en évidence un lien entre l'entropie de posture et la diversité des hypothèses multiples, un aspect négligé par les travaux antérieurs. Pour une évaluation complète, outre le score de la meilleure hypothèse (BH), nous intégrons la visibilité afin d'évaluer la diversité des solutions proposées. En outre, notre cadre est compatible avec les étiquettes partielles, puisqu’il peut être entraîné à partir de simples points 2D visibles. Des expériences menées sur des benchmarks ambigus et des données réelles démontrent que notre méthode surpasser les autres méthodes d'état de l'art multi-hypothèses dans une évaluation exhaustive. La page du projet est disponible à l'adresse suivante : https://gloryyrolg.github.io/MHEntropy.