In dieser Studie zeigen wir, dass die Landmark-Detektion oder das Face-Alignment nicht als einzelnes und unabhängiges Problem betrachtet werden kann. Stattdessen kann ihre Robustheit durch zusätzliche Informationen erheblich verbessert werden. Insbesondere optimieren wir die Landmark-Detektion gemeinsam mit der Erkennung heterogener, aber fein korrelierter Gesichtsattribute, wie zum Beispiel Geschlecht, Ausdruck und Erscheinungsmerkmale. Dies ist nicht trivial, da verschiedene Attribut-Inferenz-Aufgaben unterschiedliche Lernschwierigkeiten und Konvergenzraten haben. Um dieses Problem zu lösen, formulieren wir ein neues tasks-geschränktes tiefes Modell (task-constrained deep model), das nicht nur die Inter-Tasks-Korrelation lernt, sondern auch dynamische Task-Koeffizienten verwendet, um die Optimierungskonvergenz beim Lernen mehrerer komplexer Aufgaben zu erleichtern. Ausführliche Evaluierungen zeigen, dass das vorgeschlagene tasks-geschränkte Lernen (i) bestehende Face-Alignment-Methoden übertrifft, insbesondere bei Gesichtern mit starken Verdeckungen und Pose-Variationen, und (ii) die Modellkomplexität im Vergleich zu den auf kaskadierten tiefen Modellen basierenden state-of-the-art-Methoden drastisch reduziert.