该论文提出了适应性翼形损失函数和加权损失映射以及其他一些方法，用于提高热图回归定位面部关键点的准确性，并在不同的基准测试中显著优于现有方法。

Apr, 2019

本文提出了一种新的人脸对齐方法，该方法使用深度卷积网络从粗到细进行训练，将关键点分为主要子集和详细子集，并逐渐减小主要子集的权重，使两个子集具有相等的权重。在 COFW 数据集上取得了 6.33% 的平均误差，相较于最佳结果 [2] 减少了 21.37%。

Jul, 2016

本研究提出了一种利用全局方式学习数据点之间的配对关系，通过空间广义传播网络（SGPN）实现对任意结构数据的语义分割的模型，该模块可以灵活地嵌入和联合训练许多类型的网络，如 CNN，并且实验证明，相较于不包含此模块的网络，SGPN 始终提高了像素和点云分割的性能，这表明我们的方法是模拟任意构造数据的全局配对关系的有效方法。

Sep, 2019

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

本文提出了一种新颖的端对端深度场景流模型 PointPWC-Net，通过粗到细的方式处理 3D 点云数据，包括新型的成本体量、上采样和变形层来有效地处理 3D 点云数据，利用自监督损失进行训练。实验结果表明，在 FlyingThings3D 数据集上超过了现有技术，并且在未经微调的情况下，在 KITTI Scene Flow 2015 数据集上表现出很好的泛化能力，优于所有先前的方法。

Nov, 2019

本文提出了一种名为 PCD-CNN 的单一树突 CNN，使用分类网络和模块化分类网络训练，并通过贝叶斯公式显式解缠图像姿态与面部肢解点。经过广泛实验表明，本论文的方法能够通过姿态编码减少错误率，优于目前极具挑战性数据集的最先进方法（如 AFLW，AFW，COFW 和 IBUG）15％的误差。

Feb, 2018

基于关键点的场景理解对自动驾驶应用至关重要，同时光流在许多视觉任务中发挥着重要作用。本研究提出了一种基于点的建模方法，通过学习关键点先验信息来解决传统数据驱动光流估计方法在关键点上性能不佳的问题，并使用 FocusFlow 框架进行多样的点级监督，取得了显著的性能提升。

Aug, 2023

本文描述了一种名为 BiProDet 的双向特征传播框架，使用点到像素的信息流和像素到点的信息流等机制优化了 3D 目标检测。同时，提出一种新的 2D 辅助任务，用于训练 2D 分支并间接提高 3D 检测的性能。实验证明，该方法在 KITTI 数据集的自行车类上的排名为第一位。

Jan, 2023

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