نُقدِّم بشكل مبتكر إطارًا مرنًا وثابتًا لمحاذاة الوجه يُسمّى LDDMM-Face، حيث يكمن الإسهام الرئيسي فيه في طبقة التشوه التي تُدمج هندسة الوجه بشكل طبيعي بطريقة ديفيومورفية. بدلًا من التنبؤ بنقاط الملامح الوجهية عبر خرائط الحرارة أو الانحدار الإحداثي، نُصِف هذه المهمة بطريقة التسجيل الديفيومورفي، ونُنبِّئ بزمنيات (momenta) التي تُمثّل بشكل فريد تشوهات بين الحدود الابتدائية والحدود الحقيقية، ثم نُطبّق بشكل متزامن خوارزمية التماثل الديفيومورفي الكبير (LDDMM) على كل من المنحنيات والنقاط المميزة لتحديد مواقع نقاط الملامح الوجهية. وبفضل دمج LDDMM داخل شبكة عميقة، يمكن لـ LDDMM-Face تسمية نقاط الملامح الوجهية بشكل متسق وبدون لبس، وتمكّن من التعامل بمرن مع مختلف أنماط التسمية، بل وحتى التنبؤ بالتصنيفات الكثيفة من التصنيفات النادرة. يمكن دمج طريقة LDDMM-Face بسهولة في مختلف شبكات محاذاة الوجه. قمنا بتقييمها بشكل واسع على أربع مجموعات بيانات معيارية: 300W، WFLW، HELEN، وCOFW-68. تُظهر LDDMM-Face أداءً مُComparable أو أفضل من الطرق الرائدة في المهام التقليدية ضمن نفس مجموعة البيانات وفي ظروف التسمية المتماثلة، ولكنها تبرز حقًا بأداء متميز عند التعامل مع التعلم المراقب بشكل ضعيف (من تسمية جزئية إلى كاملة)، والحالات الصعبة (مثل الوجوه المُغطاة)، والفرق بين مجموعات التدريب والتنبؤ. علاوةً على ذلك، تُظهر LDDMM-Face نتائج واعدة جدًا في المهمة الأصعب، وهي التنبؤ عبر مجموعات بيانات مختلفة تختلف في أنماط التسمية.