本篇研究提出了一种基于深度卷积神经网络的关键点描述符提取算法，其能够高效提取面部特征从而替代传统方法 SIFT 和 HOG，并构建了一种基于回归的面部对齐算法，称为 LDDR，该算法在公开数据集上进行了验证，并有望在多种尺度、角度和遮挡下实现高精度的面部关键点的定位。

Jan, 2016

提出一种新颖的端到端深度架构用于面部标记检测，它基于卷积和反卷积网络，以及经过精心设计的循环网络结构，并在多个基准数据集上得到了比当前最先进方法更卓越的表现。

Oct, 2015

本文提出了一种新的人脸对齐方法，该方法使用深度卷积网络从粗到细进行训练，将关键点分为主要子集和详细子集，并逐渐减小主要子集的权重，使两个子集具有相等的权重。在 COFW 数据集上取得了 6.33% 的平均误差，相较于最佳结果 [2] 减少了 21.37%。

Jul, 2016

本文提出了一种自我强化策略，通过评价人脸局部外观和全局几何的一致性来迭代扩展和改进训练样本的质量和数量，通过一组具有鉴别性的分类器来修剪不一致的局部外观的示例，并验证标记地标组之间的几何关系。经实验证明，这种方法对于从小子集开始预测好的示例在几个基准数据集上具有很好的效果。

Nov, 2017

DeCaFA 是一种端到端的深度卷积级联体系结构，它使用全卷积阶段保持整个级联的完整空间分辨率，并利用多个链接转移层生成面部对齐任务的每个标记的基于注意力的地标注意力图。通过加权中间监督以及阶段之间的高效功能融合，DeCaFA 可以学习逐步以端到端的方式细化注意力图。结果表明，DeCaFA 在 300W，CelebA 和 WFLW 数据库上显着优于现有方法。此外，研究表明 DeCaFA 能够利用粗略注释数据从极少量图像中学习良好的对齐。

Apr, 2019

本文提出了一种基于显式头部姿态估计的级联人脸对齐的监督初始化方案，在 300W 数据集上表现出很高的性能。

Jul, 2015

本文提出了一种基于深度神经网络结构的鲁棒人脸对齐方法 Deep Alignment Network (DAN)，DAN 采用全脸图像进行人脸对齐而非局部补丁，并通过在算法的每个阶段利用地标热图来提供之前阶段的视觉信息，从而使 DAN 处理具有大头姿态变化和困难初始化的面孔图像。我们在两个公开数据集上进行了广泛评估，结果表明 DAN 将失败率的最新技术水平降低了高达 70%。

Jun, 2017

本文通过使用空间变换器层在卷积神经网络中进行端到端的面部识别学习，以逐步学习出最适合面部识别任务的几何变换和适当的面部区域，从而达到高精度面部识别的目的。

Jan, 2017

研究了面部关键点估计的准确性和速度问题，提出了一种基于软件的面部关键点姿态估计方法，利用逐步迭代预测回归误差的方法来区分样本，通过多尺度、基于补丁的轻量级特征提取器来进行面部关键点姿态估计，在移动设备 GPU 上实现了实时运行。

Aug, 2021

该研究提出了一种级联的面部对齐算法，其中每个级别都由回归专家的混合组成，该系统不受预定义类别的变换的影响，并且可在鉴别对准框架中包含形变约束，从而使该算法更加稳健。

Nov, 2015