本文提出了一种联合多视角卷积网络，用于处理野外环境下面部姿态的大幅度变化，并优雅地桥接面部检测和面部标记定位任务，该方法对于半正面和侧面脸可检测和对齐大量关键点，并在多个数据集上证明了对于面部追踪和面部检测的显著改进。

Aug, 2017

本文提出了一种新的面部对齐框架，称为 3D Dense Face Alignment (3DDFA)，其中使用级联卷积神经网络将密集 3D 可变形模型（3DMM）配合到图像中。本文还利用 3D 信息合成正面视图和侧面视图的面部图像以提供丰富的样本进行训练。在具有挑战性的 AFLW 数据库上的实验表明，所提出的方法比现有技术取得了显着的进步。

Apr, 2018

本文提出一种新的面部对齐算法，利用 3D 可变形模型和级联耦合回归器，估计带有任意姿态的人脸图像的 2D 和 3D 地标及其 2D 可视性。实验结果表明，该算法在所有姿态人脸图像上的表现优于现有方法。

Jun, 2015

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

提出了一种新的 3D 密集面部对齐框架 (3DDFA)，通过卷积神经网络 (CNN) 将密集的 3D 面部模型拟合到图像中，解决了面部对齐中的圆形视图问题，面部外观变化剧烈问题和面部关键点标记困难问题，并通过在 profile 视图下合成大规模训练样本来解决关键点标记困难问题，并在具有挑战性的 AFLW 数据库上实验，证明我们的方法明显优于现有最先进方法。

Nov, 2015

本研究提出了一种新方法，通过将头部姿势信息与面部定位网络的特征图相融合，改进了面部定位的性能。此外，所提出的网络结构通过使用 2D 特征图和 3D 热图表示的多维特征，在双维度网络中实现了鲁棒的面部定位。为了有效地进行密集面部定位，我们还提出了基于知识蒸馏的训练方法，用于通过预测关键点来预测面部几何标记。通过实验评估了预测的面部标记与头部姿势信息之间的相关性，以及面部标记的准确性与头部姿势信息的质量之间的变化。此外，我们还在 AFLW2000-3D、AFLW 和 BIWI 数据集上与最先进的方法进行了竞争性性能比较，证明了所提方法的有效性。

Aug, 2023

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

本文提出了一种基于半监督学习的方法，其思想是通过无监督学习生成脸部特征并使用转移学习的方式实现面部特征检测，该模型表现出广泛的适应性和高精度，并且在只有十个训练图片的情况下也能保持较高的准确率。

Nov, 2019

研究提出了一种基于鲁棒受限局部模型的集成，用于面部对齐，可以在存在显着遮挡和任何未知的姿势和表情的情况下实现。通过假设和测试搜索来评估 occlusion，结果表明在测试集中表现出一定的鲁棒性。

Jul, 2017

通过使用三维空间变形网络（3DSTN）模型相机投影矩阵和三维模型的形变参数，我们提出了一种新颖的方法同时提取面部的三维形状和语义一致的二维对齐，可以在比实时更快的速度下通过网络一次传递实现。我们的模型在 AFLW 和 AFLW2000-3D 数据集上进行评估，证明了我们的方法在三维对齐方面取得了最先进的性能。

Jul, 2017