Nous décrivons les processus gaussiens jumeaux (TGP), une méthode générique de prédiction structurée qui utilise des a priori de processus gaussiens (GP) à la fois sur les covariables et sur les réponses, les deux étant multivariées, et estime les sorties en minimisant la divergence de Kullback-Leibler entre deux GP modélisés comme des distributions normales sur des ensembles finis d’exemples d’apprentissage et de test. Cette approche met l’accent sur le principe selon lequel des entrées similaires doivent produire des sorties similaires, ce qui doit être vérifié en moyenne entre leurs distributions marginales. Le TGP capture non seulement les interdépendances entre les covariables, comme dans un GP classique, mais aussi celles entre les réponses, de sorte que les corrélations tant entre les entrées qu’entre les sorties sont prises en compte. Cette méthode est illustrée sur le benchmark HumanEva récemment introduit, dans le cadre de la reconstruction de poses 3D humaines à partir de séquences vidéo monoculaires et multicaméras, où elle atteint une erreur moyenne de 5 cm par marqueur 3D pour des modèles entraînés conjointement à partir de données provenant de plusieurs personnes et activités diverses. La méthode est rapide et automatique : elle ne nécessite ni la conception manuelle de la pose initiale, ni les paramètres de calibration des caméras, ni la disponibilité d’un modèle corporel 3D associé aux sujets humains utilisés pour l’entraînement ou le test.