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

本文提出一种同时重建世界空间中的 3D 面网格和预测图像平面上的 2D 面标记的方法，以解决透视 3D 面重建问题，该方法基于预测的 3D 顶点和 2D 标记，可轻松用 PnP 求解器估计出 6 自由度面姿态，并在 ECCV 2022 WCPA 竞赛中获得第一名，并且在不同的身份、表情和姿势下具有视觉稳健性。

Aug, 2022

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

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

本文提出了一种基于 Joint Voxel and Coordinate Regression（JVCR）的 3D 面部标志定位方法，该方法采用端到端的方式，通过稠密的容积表示和卷积神经网络实现了更高效的学习和更准确的结果。该方法在 3DFAW 和 AFLW2000-3D 数据集上达到了最先进的性能。

Jan, 2018

本文提出一种简单的方法，可以同时重建三维人脸结构并提供密集对齐。该方法使用称为 UV 位置映射的二维表示来记录完整面部的三维形状，并使用简单卷积神经网络从单个二维图像中回归它。该方法不依赖于任何先前的人脸模型，并且可以重建全面部几何信息。与之前的作品相比，网络非常轻便，并且只需 9.8 毫秒即可处理图像。多次挑战数据集的实验表明，该方法在重建和对齐任务上均优于其他最先进的方法。

Mar, 2018

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