Gesichtspunkte sind stark miteinander korreliert, da ein bestimmter Punkt durch seine benachbarten Punkte geschätzt werden kann. Die meisten existierenden Deep-Learning-Methoden verwenden nur eine vollständig vernetzte Schicht, die als Formvorhersageschicht bezeichnet wird, um die Positionen der Gesichtspunkte zu schätzen. In dieser Arbeit schlagen wir einen neuen Deep-Learning-Rahmen vor, den Multi-Center Learning (MCL) mit mehreren Formvorhersageschichten für die Gesichtsausrichtung. Insbesondere legt jede Formvorhersageschicht den Fokus auf die Erkennung eines bestimmten Clusters semantisch zusammengehörender Landmarks. Zunächst werden herausfordernde Landmarks priorisiert, und jeder Cluster von Landmarks wird anschließend jeweils optimiert. Darüber hinaus, um die Modellkomplexität zu reduzieren, schlagen wir eine Modellverschmelzungsmethode vor, um mehrere Formvorhersageschichten in eine einzige Formvorhersageschicht zu integrieren. Ausführliche Experimente zeigen, dass unsere Methode effektiv ist, um komplexe Verdeckungen und Erscheinungsunterschiede in Echtzeit zu behandeln. Der Code unserer Methode ist unter https://github.com/ZhiwenShao/MCNet-Extension verfügbar.