本文提出了一种新的损失函数 Wing loss，用于通过卷积神经网络实现面部关键点的鲁棒定位。通过对比 L2、L1 和平滑 L1 等不同的损失函数，并分析这些损失函数，结论是对于基于 CNN 的定位模型训练，应更加关注小和中等范围的错误。针对此问题，提出了一种分段损失函数 Wing loss，并通过姿态数据平衡的策略解决了训练集中具有大偏转的数据不足的问题。最后，将该方法扩展为一种用于鲁棒面部关键点定位的两阶段框架，并在 AFLW 和 300W 上进行了实验验证，结果表明 Wing loss 的优越性以及该方法的超越了现有技术的水平。

Nov, 2017

本研究基于热图回归，通过将地标热图传播到边界热图，提供更多结构信息来解决大头姿势、夸张表情和不均匀光照等情况下的面部对齐问题，同时提出了 Focal Wing Loss 以优化野外条件下难处理的样本。该方法在 WFLW、300W 和 COFW 数据集上表现均优于现有技术，平均误差分别为 4.05%、2.93% 和 3.71%。

Jun, 2020

本文提出了一种新的基于连续分布的热图编码与解码方法以及引入 Siamese-based 训练策略，显著提高了面部特征定位的准确度，并在多个数据集上取得了新的最先进结果。

Nov, 2021

本文提出了一种减轻资源负荷、加速推理速度的方法，是通过在 SimpleBaseline 的反卷积头网络中引入注意机制来利用原始、跨层次和内层次信息以提高精度，并采用称为 heatmap 加权损失的新型损失函数，生成热图上每个像素的权重，使模型更加注重关键点，实验证明我们的方法在性能和资源和推理速度之间实现了平衡，具有不错的适用性。

May, 2022

本研究提出了一种基于分数热力图回归的高分辨率视频人脸对齐方法，该方法可以准确估计热图中的分数部分，并提出了一个新的稳定损失来解决时间延迟和非平滑问题。实验证明，该方法的精度和稳定性优于现有的方法。

Nov, 2018

该论文描述了一种基于卷积部位热图回归的方法，将其用于 3D 人脸对齐并获得了 3DFAW 挑战赛的第一名，超过第二名超过 22% 的结果。

Sep, 2016

本文针对 CNN 在人脸对齐中的误差偏置问题，提出方向不各异损失和不各异关注模块来解决该问题，并将其集成到了一个名为 ADNet 的优化端到端训练管道中，最终在三个数据集中实现了最先进的性能表现。

Sep, 2021

本研究提出了基于尺寸自适应和权重自适应的热度图回归方法用于人体姿态估计，通过适应性地调整每个关键点的标准偏差以更好地面对人体尺度以及标注的不确定性。实验证明，该方法可以显著提高底部姿态估计的准确性，使其超越现有状态下最先进的顶部方法，并在 COCO 测试 - dev2017 上获得 72.0AP 的成绩。

Dec, 2020

本研究提出了一种新的损失函数 AdaFace，它可以基于图像质量加重不同难度的样本，通过用特征范数来近似图像质量，从而提高人脸识别性能。

Apr, 2022

本文提出了一种新颖的边界感知的面部对齐算法，利用边界线作为人脸的几何结构来帮助面部标记的本地化，并从边界线中推导出人脸的标记，使标记的定义不再含糊。通过使用面部的边界信息，该方法在 300-W Fullset 上取得了 3.49％±0.07％的平均误差，比现有的最先进方法表现出色，并且可以轻松地整合来自其他数据集的信息。

May, 2018