本文提出了一种约束联合级联回归框架（Constrained Joint Cascade Regression Framework, CJCRF）来解决面部分析中面部动作单元识别和面部关键点检测两任务，首先通过学习面部动作单元和面部形状之间的关联约束，然后在约束帮助下，我们迭代地更新面部关键点位置和动作单元激活概率以实现两个任务的协同检测。实验结果证明，面部动作单元和面部形状的纠缠关系提高了面部动作单元识别和面部关键点检测的性能，同时也证明了所提出的方法与现有工作相比的有效性。

Sep, 2017

通过使用深度学习方法和图像增强技术，本文提出了一种有效的面部特征检测方法，采用 Siamese 架构和 Transformer + CNN 网络作为骨干结构，通过高级特征表示的集合学习来改善面部特征检测的性能。经过大量实验证明，该方法在各种基准数据集上优于多种最新方法。

Feb, 2024

本研究提出了自我迭代回归框架，通过 Landmarks-Attention 网络作为回归器，将级联回归方法中的多个回归器替换为一个自我迭代回归器，从而显着减少了模型参数，提高了模型效率。实验结果表明，该方法仅需 3.72M 模型参数即可达到最先进的性能水平。

Mar, 2018

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

本研究探讨基于级联回归的 3D 人脸重建方法在 2D 标记点数、3D 顶点数、标记点检测方法及收敛性等四个方面的影响，并提出了一种简化的级联回归算法以及有效的训练方法，实验证明了该方法的有效性。

Sep, 2015

本文提出了一种新的 Decoupled Multi-task Learning with Cyclical Self-Regulation (DML-CSR) 方法来解决人脸分割中产生的空间不一致和边界混淆的问题，该方法包括面部解析、二元边缘和类别边缘检测任务，采用动态双图卷积神经网络、边缘检测等技术来改进现有方法，并提出了周期性自调谐机制来避免噪声标签对模型泛化性能的影响。实验证明，该方法在 Helen、CelebAMask-HQ 和 Lapa 数据集上取得了新的最高性能。

Mar, 2022

本文提出了一种深度形状引导级联算法 (DSC)，通过引入三种关键组件，即初始形状指导、显式形状指导和隐式形状指导，使掩模分割和边界框检测形成双向关系，进而提高了实例分割的性能。实验结果表明，DSC 较当前最先进的实例分割算法 Hybrid Task Cascade (HTC) 提升明显，在 COCO 测试中获得了 51.8 的 box AP 和 45.5 的 mask AP。

Nov, 2019

本文提出了一种深度结构化面部标记检测方法，该方法使用深度卷积网络和条件随机场相结合，能够在面部标记检测上取得比现有技术更卓越的性能，特别是在包含大姿态和遮挡等具有挑战性的数据集上具备更好的泛化性能。

Oct, 2020

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

Hybrid-CSR 是一种几何深度学习模型，它结合了显式和隐式形状表示，用于皮质表面重建。该方法统一了显式和隐式皮质表面重建，通过优化改进的网格变形模块进行端到端训练，以捕捉详细结构并解决拓扑缺陷，以达到更准确、规则和一致的数字测量结果。

Jul, 2023