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

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

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

本文提出了一种用于实时面部追踪的连续回归方法，将输入空间近似于其一阶 Taylor 展开，并将连续最小二乘问题扩展到相关变量，将其纳入级联回归框架中，并展示了在训练和测试中的计算效益。最后，提出了一种名为 iCCR 的快速增量学习方法，显示其复杂度可以实现实时面部追踪和最先进的性能。

Dec, 2016

本文提出了一种新的级联形状回归、动态注意力控制级联形状回归 (DAC-CSR) 的架构，用于非约束性人脸的鲁棒性面部关键点检测，包括人脸边界框细化、一般 CSR 和注意力控制 CSR。使用在线动态模型选择方法选择适当的面向域的 CSR 进行关键点的细化，DAC-CSR 的关键创新在于容错机制，使用模糊集样本加权进行注意控制域特定模型的训练。此外，我们提倡使用简单但有效的二维剖面面部生成器和上下文感知特征提取以更好地代表面部特征。实验结果表明，我们的 DAC-CSR 相对于现有技术具有更好的性能。

Nov, 2016

本文提出了一种深度结构化面部标记检测方法，该方法使用深度卷积网络和条件随机场相结合，能够在面部标记检测上取得比现有技术更卓越的性能，特别是在包含大姿态和遮挡等具有挑战性的数据集上具备更好的泛化性能。

Oct, 2020

本文介绍一种深度回归方法，包括全局层和多阶段局部层。采用反向传播算法和 Dropout 策略进行联合优化。实验证明，该方法逐步且平均地逼近真实的人脸关键点，避免了早期回归器过强和后期回归器过弱的情况，最终取得了最先进的效果。

Sep, 2014