Die dreidimensionale dichte Ausrichtung und Rekonstruktion von Gesichtern unter realen Bedingungen ist eine herausfordernde Aufgabe, da Teile der Gesichtsinformationen in verdeckten und stark geneigten Gesichtsbildern häufig fehlen. Große Variationen des Kopfes neigen dazu, den Lösungsraum zu erweitern und das Modellieren zu erschweren. Unser Kerngedanke besteht darin, Verdeckungen und Pose zu modellieren, um diese anspruchsvolle Aufgabe in mehrere vergleichsweise handhabbarere Teilprobleme zu zerlegen. Zu diesem Zweck schlagen wir ein end-to-end-Framework vor, das als Selbstausrichtendes Doppelt-Gesichtsregressionsnetzwerk (Self-aligned Dual face Regression Network, SADRNet) bezeichnet wird. Dieses Netzwerk prognostiziert sowohl ein poseabhängiges als auch ein poseunabhängiges Gesicht. Beide werden durch eine verdeckungsbewusste Selbstausrichtung kombiniert, um das endgültige 3D-Gesicht zu generieren. Umfangreiche Experimente auf zwei gängigen Benchmarks, AFLW2000-3D und Florence, zeigen, dass die vorgeschlagene Methode eine signifikant überlegene Leistung im Vergleich zu bestehenden state-of-the-art-Methoden erzielt.