近年来，热图回归模型已成为面部关键点定位的主流方法。为降低计算成本并减少内存占用，整个流程通常涉及从原始图像到输出热图的下采样操作。然而，下采样引入的量化误差会对定位精度造成多大影响？这一问题在以往的研究中几乎未得到系统性探讨。本文首次对这一问题进行了定量分析，填补了该领域的研究空白。统计结果表明，由量化误差导致的归一化均方误差（NME）甚至超过当前最先进方法（SOTA）的三分之一，这已成为面部对齐技术实现新突破的重大障碍。为缓解量化效应带来的负面影响，本文提出一种新颖的方法——“热图中的热图”（Heatmap In Heatmap, HIH），该方法采用两类热图作为标签表示，以编码关键点坐标。在HIH框架中，某一类热图的取值范围对应另一类热图的单个像素。此外，我们还将面部对齐任务与其他领域解决方案相结合，进行对比分析。在多个基准数据集上的大量实验验证了HIH方法的可行性，并展现出优于现有方法的性能表现。尤其在WFLW数据集上，平均误差降至4.18，显著超越当前最先进水平。