面部模型是人脸独特特征的数学表示。本文为入门者、从业者和研究人员提供了对用于面部对齐的不同面部模型的全面分析，包括模型的解释和训练，以及将模型拟合到新面部图像的示例。研究发现，在面部极端姿势的情况下，3D 模型更受青睐，而基于深度学习的方法通常使用热图。此外，还讨论了面部模型在面部对齐领域的可能未来发展方向。

Nov, 2023

综述了面部关键点检测算法的发展历程，将其分为三种不同的分类方法：全局方法、约束局部模型方法和回归方法，并对其进行了分类讨论，比较了它们在受不同因素影响下的性能表现。此外，还列举了面部关键点检测的基准数据库和现有软件，并指出了未来的研究方向。

May, 2018

本论文提出了一种新的面部对齐评估指标 AUC, 并且在更实用的面部检测下扩充了 300W 数据库，进行了面部对齐灵敏度分析，得出了新的结论。

Nov, 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

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

本文通过使用最新的 300VW 基准测试，对目前最先进的可形变人脸跟踪流程进行了全面评估，并比较了面部检测加面部特征定位、模型自由跟踪加面部特征定位，以及面部检测、模型自由跟踪和面部特征定位技术的混合方法，揭示了进一步研究的未来方向。

Mar, 2016

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

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

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

本篇综述论文介绍了基于大量标记图像的面部特征点检测，总结了现有方法并将其分类为四大类：基于约束局部模型，基于主动外貌模型，基于回归和其他方法。虽然已取得了重要进展，但仍有待进一步探索面部特征点检测的未来方向。

Oct, 2014