In den letzten Jahren wurde bei der Schätzung der Pose rigider Objekte aus einer einzigen RGB-Bildaufnahme erheblicher Fortschritt erzielt, doch die Robustheit gegenüber partiellen Verdeckungen bleibt eine herausfordernde Aufgabe. Die Pose-Verfeinerung mittels Rendering hat sich als vielversprechend erwiesen, insbesondere dann, wenn Datenressourcen begrenzt sind.In diesem Paper konzentrieren wir uns auf die Pose-Verfeinerung und zeigen, wie der Stand der Technik im Fall partieller Verdeckungen weiter vorangetrieben werden kann. Der vorgeschlagene Ansatz zur Pose-Verfeinerung basiert auf einer vereinfachten Lernaufgabe, bei der ein CNN trainiert wird, um den Reprojektionsfehler zwischen einer beobachteten und einer gerenderten Bildaufnahme zu schätzen. Wir testen verschiedene Trainingsstrategien, sowohl auf rein synthetischen Daten als auch auf einer Mischung aus synthetischen und realen Daten. Auf dem Occlusion LINEMOD-Benchmark erreichen wir gegenüber dem aktuellen Stand der Technik verbesserte Ergebnisse für zwei von drei Metriken, während wir für die dritte Metrik eine vergleichbare Leistung erzielen.