首先抛出论文和论文源码的链接：论文看这里 模型代码看这里（caffe）
摘要
本文提出了一种新的基于边界感知的人脸对齐算法，该算法利用边界线作为人脸几何结构来帮助面部标志定位。与传统的基于热力图和和基于回归的方法不同，本文方法从边界线中导出人脸标志，从而消除标志定义中的模糊性。本文对三个问题进行了探索和研究：1、为什么要使用边界？2、如何使用边界？3、边界估计和标志定位之间的关系是什么？本文的边界感知人脸对齐算法在300-W数据集上平均误差达3.49%，大大地优于现有方法。本文方法也可以容易地集成来自其他数据集的信息。利用300-W数据集的边界信息，在COFW数据集上平均误差为3.92%，失效率为0.39%，在AFLW-Full数据集上平均误差为1.25%。此外，我们提出一个新的数据集WFLW，以统一不同因素下训练和测试，包括姿势，表情，光照，化妆，遮挡和模糊度。
引言（创新点）
- Boundary heatmap estimator: 首先，利用堆叠的hourglass模型来估计人脸图像中的面部边界热力图。同时通过消息传递机制（message passing）来模拟面部边界之间的结构，以增加其对遮挡的鲁棒性。
- Boundary-Aware landmarks regressor: 在面部边界热力图的帮助下对面部标志进行回归，面部边界热力图被用作指导面部标志回归量的特征学习的结构线索。为了充分利用结构信息，将热力图尽可能多的应用在面部标志回归网络的多阶层中。此外，作者设计了一种特别的特征图融合方式，有助于更有效的利用特征图信息。
- boundary effectiveness discriminator：为了探索面部边界和标志之间的关系，本文通过使用基于标志的边界效果鉴别器来引入对抗性学习思想。主要是鉴别面部边界热力图的真实性，有助于提高估计边界热力图的质量。
相关工作（文献综述）
- 人脸对齐的传统算法包括：ASMs、AAMs、CLMs和Cascaded Regression Models（级联回归模型）等。
- 人脸对齐的深度学习算法包括：1、Coordinate regression models（坐标回归网络），直接从图像映射至标志点的坐标向量，效果不如热力图回归网络。2、Heatmap regression models（热力图回归模型），分别为每个标志生成可能的热力图，表现出优秀的性能。
- 人体姿态估计的最新进展部分激发了本文的边界热图估计方法。堆叠式hourglass网络采用自下而上、自上而下设计，使网络具备获取多尺度信息的能力，达到了令人信服的精确性。消息传递在人体关节的结构建模中显示出巨大的力量。最近，对抗性学习被用来进一步提高重度遮挡下估计人体姿势的准确性。该论文就是这些思想的混合体。
导读到此结束，论文相对来说比较好读懂，各位有兴趣的自己去细看吧~