L’estimation pratique de la pose d’objets exige une robustesse aux occlusions affectant l’objet cible. Les estimateurs de pose d’objets les plus avancés (SOTA) adoptent une approche en deux étapes : la première étape prédit des repères 2D à l’aide d’un réseau profond, tandis que la seconde étape détermine la pose en 6D à partir de correspondances 2D-3D. Bien que largement utilisée, cette approche en deux étapes peut souffrir de nouvelles occlusions lors de la généralisation, ainsi que d’une faible cohérence des repères en raison de la perturbation des caractéristiques. Pour surmonter ces limitations, nous proposons une nouvelle technique d’augmentation de batch, « occlude-and-blackout », visant à apprendre des caractéristiques profondes robustes aux occlusions, ainsi qu’une architecture de supervision multi-précision, conçue pour favoriser l’apprentissage d’une représentation globale de la pose, garantissant ainsi des prédictions précises et cohérentes des repères. Nous menons des tests d’ablation soigneux afin de valider l’impact de nos innovations et comparons notre méthode aux estimateurs SOTA. Sans nécessiter de post-traitement ni d’affinement, notre approche obtient des performances supérieures sur le jeu de données LINEMOD. Sur le jeu de données YCB-Video, elle surpasser toutes les méthodes sans affinement selon le critère ADD(-S). Nous démontrons également l’efficacité élevée de notre méthode en termes de rendement avec peu de données. Notre code est disponible à l’adresse http://github.com/BoChenYS/ROPE.