تتطلب الطرق المُراقبة لمحاذاة الوجه كميات كبيرة من البيانات التدريبية لتحقيق أداء جيد من حيث الدقة والقدرة على التعميم. ومع ذلك، فإن مجموعات بيانات محاذاة الوجه نادرًا ما تتجاوز بضع آلاف من العينات، مما يجعل هذه الطرق عرضة للانحدار الزائد (Overfitting) على مجموعة التدريب المحددة. ظهرت طرق شبه مُراقبة مثل TS3 أو 3FabRec لتخفيف هذه المشكلة من خلال استخدام بيانات مُصنفة وغير مُصنفة أثناء التدريب. في هذا البحث، نقترح طريقة تُسمى "SCAF" (Skip-Connections in Auto-encoder for Face alignment)، والتي تُبنى على أساس 3FabRec من خلال إضافة روابط تخطّي (Skip-Connections) بين المُشفّر (Encoder) والـمُفكّك (Decoder). تؤدي هذه الروابط التخطّية إلى تحسين توقعات المواقع المرجعية، خاصةً في الأمثلة الصعبة. كما نُطبّق لأول مرة مفهوم التعلّم النشط (Active Learning) على مهمة محاذاة الوجه، ونقدّم دالة استحواذ جديدة تُسمى "المقدار السلبي للجوار" (Negative Neighborhood Magnitude)، المصممة خصيصًا لتقييم جودة الخرائط الحرارية (Heatmaps). تُظهر هاتان الاقتراحتان فعاليتهما على عدة مجموعات بيانات لمحاذاة الوجه عند التدريب بكميات محدودة من البيانات.