Malgré des progrès significatifs, nous montrons que les méthodes d'estimation de la posture et de la forme humaine en 3D restent sensibles à l'occlusion partielle et peuvent produire des prédictions dramatiquement erronées même lorsque la majeure partie du corps est visible. Pour remédier à cela, nous introduisons un mécanisme d'attention douce appelé Part Attention REgressor (PARE), qui apprend à prédire des masques d'attention guidés par les parties du corps. Nous constatons que les méthodes de pointe s'appuient sur des représentations de caractéristiques globales, ce qui les rend sensibles même aux petites occlusions. En revanche, le mécanisme d'attention guidé par les parties du PARE surmonte ces problèmes en exploitant des informations sur la visibilité des parties individuelles du corps tout en utilisant des informations provenant des parties voisines pour prédire les parties occluses. Nous montrons qualitativement que PARE apprend des masques d'attention raisonnables, et une évaluation quantitative confirme que PARE obtient des résultats de reconstruction plus précis et robustes que les approches existantes, tant sur des benchmarks spécifiques à l'occlusion que sur des benchmarks standards. Le code et les données sont disponibles à des fins de recherche à l'adresse {\small \url{https://pare.is.tue.mpg.de/}}