تقدير وضع الجسم بستة درجات من الحرية (6-DoF) من صورة مونوكولار يُعد تحديًا كبيرًا، وعادة ما يتطلب إجراء عملية تحسين لاحقة لتحقيق تقدير دقيق. في هذه الورقة، نقترح إطارًا يستند إلى شبكة عصبية متكررة (RNN) لتحسين وضع الجسم، يتميز بالمتانة تجاه التقديرات الأولية الخاطئة والاختناقات. أثناء التكرارات المتكررة، يتم صياغة مشكلة تحسين وضع الجسم على هيئة مشكلة مربعات أقل غير خطية تعتمد على حقل التوافيق المُقدَّر (بين الصورة المُنتجة والصورة المُلاحظة). ثم يتم حل هذه المشكلة باستخدام خوارزمية ليفينبرغ-ماركيارت القابلة للتفاضل (LM)، مما يسمح بالتدريب من الطرف إلى الطرف. ويتم تنفيذ تقدير حقل التوافيق وتحسين وضع الجسم بالتناوب في كل تكرار لاستعادة وضع الجسم. علاوةً على ذلك، لتحسين المقاومة للاختناقات، نُدخل آلية فحص الاتساق المستندة إلى المُميّزات المُتعلمة للنموذج ثلاثي الأبعاد والصور ثنائية الأبعاد المُلاحظة، والتي تقوم بخفض وزن التوافيق غير الموثوقة أثناء عملية تحسين الوضع. وقد أثبتت التجارب الواسعة على مجموعات بيانات LINEMOD وOcclusion-LINEMOD وYCB-Video فعالية طريقة العمل لدينا، ووضحت أداءً يُعد من أفضل الأداءات الحالية في مجالها.