In diesem Paper stellen wir eine schnelle und genaue Koordinatennachregression-Methode für die Gesichtslandmarkenlokalisierung vor. Im Gegensatz zu den meisten bestehenden Ansätzen zur Regressionsanalyse von Gesichtslandmarken, die typischerweise vollständig verbundene Schichten verwenden, um Feature-Maps in Landmarkenkoordinaten zu transformieren, führen wir einen Strukturkohärenz-Block ein, der die Beziehungen zwischen den Gesichtslandmarken explizit berücksichtigt. Aufgrund der geometrischen Struktur des menschlichen Gesichts liefern die strukturellen Zusammenhänge zwischen verschiedenen Gesichtsregionen wichtige Hinweise für die präzise Lokalisierung von Landmarken. Allerdings wird diese Kohärenz in den dicht verbundenen Schichten der vollständig verbundenen Netzwerke übermäßig genutzt, wodurch die wesentlichen Hinweise nicht mehr klar von den überflüssigen Verbindungen unterschieden werden können. Stattdessen nutzt unser Strukturkohärenz-Block eine dynamische spärliche Graphstruktur, um Features nur zwischen den am stärksten korrelierten Landmarken zu übertragen. Darüber hinaus schlagen wir eine neuartige Verlustfunktion, namens Soft Wing Loss, vor, um die Genauigkeit weiter zu verbessern. Umfassende Experimente an drei gängigen Benchmarks – WFLW, COFW und 300W – belegen die Wirksamkeit des vorgeschlagenen Ansatzes und zeigen, dass er eine state-of-the-art-Leistung bei hoher Geschwindigkeit erreicht. Besonders robust ist unsere Methode gegenüber anspruchsvollen Fällen, was sich in beeindruckend niedrigen Ausfallraten (0 % und 2,88 %) auf den Datensätzen COFW und WFLW widerspiegelt.