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

提出一种新颖的端到端深度架构用于面部标记检测，它基于卷积和反卷积网络，以及经过精心设计的循环网络结构，并在多个基准数据集上得到了比当前最先进方法更卓越的表现。

Oct, 2015

该研究提出了一种级联的面部对齐算法，其中每个级别都由回归专家的混合组成，该系统不受预定义类别的变换的影响，并且可在鉴别对准框架中包含形变约束，从而使该算法更加稳健。

Nov, 2015

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

本研究提出了一个简单的面部关键点估计的视觉对齐方法，使用K-way分类而不是常规的回归问题，通过使用多标签损失函数和分布式处理等技术，实现精细分类。

Feb, 2018

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

本文提出了一种自对齐的双重脸部回归网络(SADRNet)框架，通过建模遮挡和姿势，将三维面部的密集对齐和重建问题分解为几个相对更易于处理的子任务，分别预测一个姿态相关面和一个姿态无关面，再由遮挡感知的自对齐组合生成最终的三维面部，实验结果表明该方法在AFLW2000-3D和Florence等基准测试上显著优于现有最先进方法。

Jun, 2021

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

通过使用标记的真实人脸和未标记的风格化人脸，我们提出了一个简单但有效的方法来学习具有普适性的人脸关键点定位器，该方法通过条件人脸变形器的关键模块来学习人脸关键点定位器，从而为对应的风格化人脸图像提供高质量的伪关键点，从而实现了在人脸关键点定位任务中优于现有最先进领域适应方法的普适性人脸关键点定位器。

Apr, 2024