本文提出一种新型的任务约束深度模型，通过学习相互关联的异质性面部属性，如性别、表情和外貌属性，与地标检测问题的联合优化，有效提高了地标检测的鲁棒性。通过广泛的评估，表明所提出的任务约束学习方法不仅在处理具有严重遮挡和姿态变化的面部影像方面优于现有的面部对齐方法，而且与基于级联深度模型的现有方法相比，明显减少了模型复杂度。
Aug, 2014
该论文提出了一个采用深度级联多任务框架的人脸检测和对齐方法，利用深度学习及在线难样本挖掘等技术，在FDDB、WIDER FACE和AFLW等基准测试中取得了优于同类算法的高准确度和实时性能。
Apr, 2016
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
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
综述了面部关键点检测算法的发展历程，将其分为三种不同的分类方法：全局方法、约束局部模型方法和回归方法，并对其进行了分类讨论，比较了它们在受不同因素影响下的性能表现。此外，还列举了面部关键点检测的基准数据库和现有软件，并指出了未来的研究方向。
May, 2018
本文介绍了一种名为MaskFace的高精度人脸和关键点检测模型，该模型通过多任务模型同时解决人脸检测和关键点定位问题，并在多个任务数据集上实现了良好的性能。
May, 2020
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
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
通过深度学习的多任务方法，提出了一种可以同时处理头部姿势、人脸对准和可见性的网络结构，相比现有技术，在头部姿势和可见性方面均取得了最佳表现，在人脸对准方面也达到了和现有技术同等的状态。
Feb, 2022