Ces dernières années, des progrès considérables ont été réalisés dans la tâche d’estimation de la pose d’objets rigides à partir d’une seule image RGB, mais assurer une robustesse face aux occlusions partielles reste un défi majeur. La raffinement de la pose par rendu s’est révélé prometteur pour améliorer les résultats, en particulier lorsque les données sont limitées.Dans cet article, nous nous concentrons sur le raffinement de la pose et montrons comment pousser davantage l’état de l’art dans le cas d’occlusions partielles. La méthode de raffinement proposée repose sur une tâche d’apprentissage simplifiée, dans laquelle un réseau de neurones convolutif (CNN) est entraîné pour estimer l’erreur de reprojection entre une image observée et une image rendue. Nous expérimentons avec un entraînement sur des données purement synthétiques ainsi qu’un mélange de données synthétiques et réelles. Les résultats obtenus surpassent ceux de l’état de l’art actuel sur deux des trois métriques du benchmark Occlusion LINEMOD, tout en restant compétitifs sur la troisième métrique.