Obwohl tiefe Neuronale Netze in der Lösung von Gesichtsausrichtung eine akzeptable Genauigkeit erreicht haben, bleibt es eine herausfordernde Aufgabe, insbesondere bei der Verarbeitung von Gesichtsbildern unter Bedingungen der Verdeckung oder extremen Kopfhaltungen. Zu den beiden hauptsächlich verwendeten Methoden für die Gesichtsausrichtung gehören die heatmap-basierte Regression (HBR) und die koordinatenbasierte Regression (CBR). Obwohl CBR-Methoden weniger Computer-Speicher benötigen, ist ihre Leistung geringer als die von HBR-Methoden. In dieser Arbeit schlagen wir einen adaptiven koordinatenbasierten Regressionsverlust (ACR) vor, um die Genauigkeit von CBR für die Gesichtsausrichtung zu verbessern. Inspiriert durch das Active Shape Model (ASM), generieren wir Smooth-Face-Objekte, eine Menge von Gesichtslandmarkpunkten mit geringeren Variationen im Vergleich zu den Ground-Truth-Landmarkpunkten. Anschließend stellen wir eine Methode vor, um das Schwierigkeitsniveau der Vorhersage jedes Landmarkpunkts für das Netzwerk durch den Vergleich der Verteilung der Ground-Truth-Landmarkpunkte und der entsprechenden Smooth-Face-Objekte abzuschätzen. Unser vorgeschlagener ACR-Verlust kann seine Krümmung und den Einfluss des Verlusts anhand des Schwierigkeitsniveaus der Vorhersage jedes Landmarkpunkts in einem Gesicht adaptiv modifizieren. Demgemäß führt der ACR-Verlust das Netzwerk stärker zu schwierigen Punkten als zu einfachen Punkten, was die Genauigkeit der Gesichtsausrichtung verbessert. Unsere umfangreiche Evaluierung zeigt die Fähigkeiten des vorgeschlagenen ACR-Verlusts bei der Vorhersage von Gesichtslandmarkpunkten in verschiedenen Gesichtsbildern.