3次元ポーズ推定は、近年、コンピュータビジョン分野において大きな注目を集めている。従来の3次元ポーズ推定手法は、大規模かつ正確にアノテーションされた3次元ポーズデータセットに強く依存しており、学習データセット内の3次元ポーズの多様性が限られているため、未観測のポーズに対してモデルの汎化性能が劣るという課題を抱えている。本研究では、わずかな初期サンプル（seed samples）のみを用いて多様な人体ポーズを生成できる新しい人間ポーズ生成モデル「PoseGU」を提案する。さらに、反事実リスク最小化（Counterfactual Risk Minimization）を導入することで、偏りのない評価目標を追求する。広範な実験により、PoseGUは3つの代表的なベンチマークデータセットにおいて、検討対象のほぼすべての最先端3次元人体ポーズ推定手法を上回ることが実証された。また、実証的な分析から、PoseGUがデータの多様性を向上させ、より優れた汎化能力を持つ3次元ポーズを生成できることも確認された。