Wir schlagen eine neuartige Methode zur Kombination von synthetischen und realen Bildern beim Training von Netzen vor, um geometrische Informationen aus einem einzelnen Bild zu bestimmen. Wir vorschlagen ein Verfahren, bei dem beide Bildarten in einen einzigen, gemeinsamen Bereich abgebildet werden. Dies ist mit einem Hauptnetz verbunden, das für ein end-to-end-Training verwendet wird. Ideal wäre es, dass dies zu Bildern aus zwei Bereichen führt, die dem Hauptnetz gemeinsame Informationen präsentieren. Unsere Experimente zeigen erhebliche Verbesserungen im Vergleich zum Stand der Technik in zwei wichtigen Bereichen: der Schätzung von Oberflächennormalen von menschlichen Gesichtern und der monokularen Tiefenschätzung für Outdoor-Szenen, jeweils in einem unüberwachten Setting.