这篇论文提出了一种基于级联回归的面部特征点检测方法，能够在面部被遮挡和大幅度侧脸的情况下进行特征点检测，并结合了监督回归方法和遮挡情况加入约束，提高了检测的准确性。

Sep, 2017

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

介绍了一种采用半监督学习方法，在没有 3D 地标数据集的情况下，通过直接提取（可见的）手工标记的 2D 地标，并确保更好的定义对齐，从而学习 3D 地标。该方法利用 3D 感知的生成对抗网络进行更好的多视角一致性学习，并利用实景多帧视频进行鲁棒的跨领域泛化。实证实验证明，该方法不仅在 2D-3D 地标之间实现了更好的定义对齐，还在 3DMM 标记和摄影测量基准数据集上优于其他监督学习的 3D 地标定位方法。

May, 2024

本文提出一种基于深度学习的新型概率模型，解决人脸关键点检测中存在的语义模糊问题，并提出了全局热力图校正单元进行精确定位，并通过图像和视频数据库的实验证明本文方法能够显著提高人脸关键点检测的精确性。

Mar, 2019

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

本研究提出了两种技术来改善局部标记数据集中的地标定位。第一种技术是顺序多任务，利用分类或回归任务的类标签引导未标记数据的局部标记定位。第二种是基于无监督学习的方法，通过模型预测图片上的等变地标来提高地标定位，本文在两个玩具数据集和四个实际数据集上进行实验，包括手和脸部， 并在只有 5％标记图像的条件下，跑过了之前在 AFLW 数据集上的最新 state-of-the-art 算法。

Sep, 2017

本文提出了一种采用 LaplaceKL 目标和对抗训练框架的深度学习方法，处理具有挑战性数据的面部地标检测技术，并通过使用未标记的数据来提高模型性能，具有实时表现、实用价值，并在所有的 300W 基准测试中取得最佳效果及在人脸地标的 AFLW 数据集中排名第二。

Mar, 2019

研究提出了一种基于鲁棒受限局部模型的集成，用于面部对齐，可以在存在显着遮挡和任何未知的姿势和表情的情况下实现。通过假设和测试搜索来评估 occlusion，结果表明在测试集中表现出一定的鲁棒性。

Jul, 2017

提出了一种基于模型的联合框架，用于同时进行面部标志检测，头部姿态估计和面部变形分析。

Sep, 2017