Wir präsentieren einen neuen, randbasierten Face-Alignment-Algorithmus, der Randlinien als geometrische Struktur des menschlichen Gesichts nutzt, um die Lokalisierung von Gesichtspunkten zu verbessern. Im Gegensatz zu herkömmlichen Ansätzen, die auf Hitmaps oder Regression basieren, leitet unser Verfahren die Gesichtspunkte aus den Randlinien ab, was die Unschärfen in der Definition dieser Punkte beseitigt. Diese Arbeit beantwortet drei Fragen: 1. Warum Ränder verwenden? 2. Wie Ränder verwenden? 3. Welches ist das Verhältnis zwischen der Schätzung von Rändern und der Lokalisierung von Landmarks? Unser randbasierter Face-Alignment-Algorithmus erreicht einen mittleren Fehler von 3,49 % auf dem 300-W Fullset, was deutlich besser ist als die bisher besten Methoden. Unsere Methode kann zudem leicht Informationen aus anderen Datensätzen integrieren. Durch die Nutzung von Randinformationen des 300-W-Datensatzes erreicht unsere Methode einen mittleren Fehler von 3,92 % mit einem Ausfallrate von 0,39 % auf dem COFW-Datensatz sowie einen mittleren Fehler von 1,25 % auf dem AFLW-Full-Datensatz. Darüber hinaus schlagen wir einen neuen Datensatz WFLW vor, um das Training und Testen unter verschiedenen Faktoren wie Haltungen (poses), Ausdrücke (expressions), Beleuchtung (illuminations), Make-up (makeups), Verdeckungen (occlusions) und Verschwommenheit (blurriness) zu vereinheitlichen. Der Datensatz und das Modell werden öffentlich zur Verfügung gestellt unter https://wywu.github.io/projects/LAB/LAB.html