本文通过使用空间变换器层在卷积神经网络中进行端到端的面部识别学习，以逐步学习出最适合面部识别任务的几何变换和适当的面部区域，从而达到高精度面部识别的目的。

Jan, 2017

提出一种基于分离和汇聚策略的面部标记定位方法，名为 AnchorFace，通过参考回归锚定模板和聚合结果降低面部姿态变化对结果的影响，在 AFLW、300W、Menpo 和 WFLW 数据集上取得了最先进的成果和高效的推理速度。

Jul, 2020

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

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

本研究提出了一种通过现有的稀疏特征点数据集来丰富面部特征点密度的框架，具有弱监督的学习改进能力和适应扩展的特征点，最终在已有的面部对准网络中作为即插即用模块应用，可以在不增加成本的情况下提供最先进的测试精度。

Dec, 2022

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

本文介绍了一种结合数据和模型的方法来完成面部关键点的检测，即先利用全卷积网络（Fully Convolutional Network, FCN）来生成脸部所有关键点的响应图，再利用 Point Distribution Model（PDM）生成初始面部形状，最后使用加权变体的正则化关键点均值漂移（RLMS）来微调面部形状，实验表明本文提出的方法在面部表情、头部姿态和部分遮挡等挑战性数据集上都能够取得最好的表现。

Nov, 2016

本研究综述了人脸对齐技术在非受控环境下所遇到的挑战、方法和性能表现，并提出了未来研究的方向。

Aug, 2016

该论文提出了一种名为 CenterFace 的一阶段方法，可在有限的存储空间和低计算能力的边缘设备上以实时速度和高精度同时预测面部框和地标位置，其可以优秀地应用于人脸检测和对齐等场景。

Nov, 2019