本文介绍了一种新颖的实时算法用于人脸关键点跟踪。我们提出了级联连续回归（CCR）算法，证明其准确性等同于 Supervised Descent Method，并提出了用于 CCR 的增量学习更新（iCCR），其速度比级联回归的标准增量学习快一个数量级，从而实现实时跟踪，最后评估了 iCCR 的重要性在实现最新技术水平方面。

Aug, 2016

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

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

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

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

通过图像和视频的无监督方法，利用光流法进行检测的统一性，提高面部标记检测器的精度，最终输出更精确的面部标记检测器，适用于单张图像或视频。

Jul, 2018

本研究提出了一种基于分数热力图回归的高分辨率视频人脸对齐方法，该方法可以准确估计热图中的分数部分，并提出了一个新的稳定损失来解决时间延迟和非平滑问题。实验证明，该方法的精度和稳定性优于现有的方法。

Nov, 2018

基于鲁棒回归的视觉跟踪技术中，引入了一种新的鲁棒线性回归估计器，通过迭代梯度下降和阈值选择算法解决异常值问题，同时将算法扩展到生成式跟踪器，并使用 IGDTS 距离来衡量样本与模型之间的偏差，最后提出了一种更新方案以捕捉跟踪目标的外观变化并确保正确更新模型，实验结果表明所提出的跟踪器优于现有的跟踪器。

Jun, 2024

该文介绍了一种新的回归算法，它学习线性因子函数，并解决了维度灾难的问题，可用于信念传播和强化学习等应用。通过正则化的贪心优化方案，在训练期间学习因子基函数。新的回归算法在基准任务上表现竞争力，学习的线性因子函数相当精简。

Dec, 2014