Die Gesichtsausrichtung ist ein klassisches Problem im Bereich der Computer Vision. Frühere Arbeiten konzentrierten sich hauptsächlich auf eine spärliche Ausrichtung mit einer begrenzten Anzahl von Gesichtslandmarkenpunkten, d.h. die Erkennung von Gesichtslandmarken. In dieser Arbeit zielen wir erstmals darauf ab, eine sehr dichte 3D-Ausrichtung für Gesichtsbilder mit großen Pose-Veränderungen bereitzustellen. Um dies zu erreichen, trainieren wir ein CNN (Convolutional Neural Network), um die 3D-Gesichtsform zu schätzen, das nicht nur begrenzte Gesichtslandmarken ausrichtet, sondern auch die Konturen des Gesichts und SIFT-Merkmalpunkte anpasst. Darüber hinaus behandeln wir auch den Engpass bei der Trainierung von CNNs mit mehreren Datensätzen, bedingt durch unterschiedliche Landmarkenmarkierungen in verschiedenen Datensätzen, wie zum Beispiel 5, 34 oder 68 Punkte. Die experimentellen Ergebnisse zeigen, dass unsere Methode nicht nur hochwertige, dichte 3D-Gesichtsanpassungen liefert, sondern auch die besten bisher bekannten Methoden zur Erkennung von Gesichtslandmarken auf anspruchsvollen Datensätzen übertrifft. Unser Modell kann während des Testens in Echtzeit laufen.