野外多视图人脸对齐
本文提出一种新型的任务约束深度模型，通过学习相互关联的异质性面部属性，如性别、表情和外貌属性，与地标检测问题的联合优化，有效提高了地标检测的鲁棒性。通过广泛的评估，表明所提出的任务约束学习方法不仅在处理具有严重遮挡和姿态变化的面部影像方面优于现有的面部对齐方法，而且与基于级联深度模型的现有方法相比，明显减少了模型复杂度。
Aug, 2014
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
本文研究了非常深层神经网络在现有的2D和3D人脸对齐数据集中实现饱和性能的距离。通过构建一个强大的基线，创建引导2D标记的网络并创建最大的和最具挑战性的3D人脸标记数据集LS3D-W，训练和评估神经网络，并探究大小等因素的影响，该研究证明2D和3D人脸对齐网络均实现了接近饱和性能的显著高精度水平。
Mar, 2017
提出一种框架，包括四个阶段：脸部检测，边界框聚合，姿态估计和特征点定位。实验结果表明，该框架在人脸检测和特征点定位方面优于其他先进算法。
May, 2017
通过卷积神经网络在图像强度的作用下，直接准确和稳定地回归头部在三维中的六自由度姿态，进而使用该FacePoseNet (FPN)通过替代显式面部标志检测的方法在二维和三维中对齐面部，我们发现在许多情况下，基准检测准确性可能会误导面部对齐方法的比较。我们的FPN方法提供了比现有方法更好的2D和3D面部对齐，并且耗费的计算资源相对较小，是目前用于面部对齐的更快速和准确的方法。同时，我们使用相同的识别管道但不同的面部对齐方法来评估它们对IJB-A和IJB-B基准测试的面部识别准确性的影响。
Aug, 2017
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
本文提出了一种新颖的框架用于联合预测特征点位置、这些特征点位置的不确定性和特征点可见性，使用深度网络学习这些变量，通过我们提出的 Location, Uncertainty, and Visibility Likelihood (LUVLi) 损失进行估计。通过对 19000 张面部图像进行重新标记，我们的方法不仅能够准确预测特征点位置的不确定性，而且在多个标准的面部特征点数据集中也能得到最先进的预测结果，我们方法的预测可以被用来自动识别面部特征点无法准确估计的图像，这对于下游任务是至关重要的。
Apr, 2020
该论文提出了一个实时多任务检测系统，能同时执行面部、面部标志和头部姿势的联合检测，以处理大角度面部姿势挑战，并在多个数据集上验证了其实时性能和有效性。
Sep, 2023