لقد دُفِعَت العديد من التطورات الحديثة في كشف نقاط الوجه (Facial Landmark Detection) من خلال تجميع معلمات النموذج أو تعزيز التسميات. ومع ذلك، تبقى ثلاث تحديات لاحقة، تشمل: 1) زيادة الحمولة الحسابية، 2) خطر التعلّم الزائد (Overfitting) الناتج عن زيادة عدد معلمات النموذج، و3) العبء الكبير الناتج عن التسمية اليدوية المكلفة بالوقت. نحن نرى أن استكشاف نقاط الضعف في الكاشف بهدف معالجتها يُعدّ طريقة واعدة لتحسين كشف نقاط الوجه بموثوقية عالية. لتحقيق ذلك، نقترح منهجية تدريب مُتَعَامِلَة مُتَعَدِّدة الحساسية للعينة (Sample-Adaptive Adversarial Training - SAAT)، والتي تُحسِّن تفاعلًا بين هجّام (Attacker) وكاشف (Detector)، بهدف تعزيز كشف نقاط الوجه كدفاع ضد الهجمات السوداء المُتَعَدِّدة الحساسية للعينة (Sample-Adaptive Black-Box Attacks). من خلال الاستفادة من الهجمات المُضادة (Adversarial Attacks)، يُستَغَلُّ منهج SAAT التغيرات المُضادة التي تتجاوز التحويلات المُصمَّمة يدويًا، لتحسين أداء الكاشف. بشكل محدد، يقوم الهاجم بإنشاء اضطرابات مُضادة تُظهر نقاط الضعف في الكاشف، ثم يجب على الكاشف تحسين مقاومته تجاه هذه الاضطرابات لمواجهة الهجمات. بالإضافة إلى ذلك، تم تصميم وزن مُتَعَدِّد الحساسية للعينة (Sample-Adaptive Weight) لموازنة المخاطر والفوائد الناتجة عن تعزيز أمثلة الاضطرابات المُضادة أثناء تدريب الكاشف. كما قدمنا مجموعة بيانات جديدة تُسمى Masked-300W، مخصصة لمحاكاة تطابق الوجه مع الوجه المُغطّى، لاختبار أداء منهجيتنا. أظهرت التجارب أن أداء SAAT يُقارَن بالأساليب الحالية المتميزة في مجالها. إن مجموعة البيانات والنموذج متاحان للجمهور عبر الرابط: https://github.com/zhuccly/SAAT.