المحاذاة الوجهية هي مجال نشط في رؤية الحاسوب، يتألف من تحديد عدد من المعالم الوجهية التي تختلف عبر قواعد البيانات. تتمثل أحدث طرق المحاذاة الوجهية إما في الانحدار الشامل (end-to-end regression) أو في تحسين الشكل بطريقة متسلسلة، بدءًا من تخمين أولي. في هذا البحث، نقدم DeCaFA، وهي هندسة عميقة متدرجة بالكامل باستخدام التحويلات التلافيفية لمحاذاة الوجوه. يستخدم DeCaFA مراحل تلافيفية كاملة للحفاظ على الدقة المكانية الكاملة طوال السلسلة المتدرجة. بين كل مرحلة متدرجة، يستخدم DeCaFA عدة طبقات نقل متصلة مع دالة softmax المكانية لإنتاج خرائط انتباه خاصة بكل معلم من عدة مهام محاذاة المعالم. يسمح الإشراف الوسيطي المرتبط بالأوزان والدمج الفعال للميزات بين المراحل بتعلم تحسين الخرائط بشكل تدريجي بطريقة شاملة ومتصلة. نظهر تجريبيًا أن DeCaFA تتفوق بشكل كبير على النهج الموجودة في قواعد البيانات 300W وCelebA وWFLW. بالإضافة إلى ذلك، نوضح أن DeCaFA يمكنها تعلم المحاذاة الدقيقة بمستوى دقة معقول من صور قليلة جدًا باستخدام بيانات مُشَرَّحة بشكل خشن (coarsely annotated data).