该论文提出了一个采用深度级联多任务框架的人脸检测和对齐方法，利用深度学习及在线难样本挖掘等技术，在 FDDB、WIDER FACE 和 AFLW 等基准测试中取得了优于同类算法的高准确度和实时性能。

Apr, 2016

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

本文提出一种利用 CNN 进行 3D 面部形状估计的方法，实现了对于姿态变化较大的大角度面部图像的高精度、稠密三维对齐。

Sep, 2017

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

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

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

本文提出了一种新的 CNN 层，称为可视化层，能够与不同损失函数联合优化，减小了训练时间并提高了面部对齐的准确性。

Jul, 2017

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