In diesem Paper präsentieren wir einen einfachen und effektiven Ansatz namens Occlusion-adaptive Deep Networks (ODN), der darauf abzielt, das Problem der Verdeckung bei der Gesichtslandmarkenerkennung zu lösen. In diesem Modell werden die Verdeckungswahrscheinlichkeiten jeder Position in hochwertigen Merkmalen durch ein Distillation-Modul ermittelt, das automatisch während des Lernprozesses zur Schätzung der Beziehung zwischen Gesichtsaussehen und Gesichtsform optimiert werden kann. Die Verdeckungswahrscheinlichkeit fungiert als adaptiver Gewichtsfaktor für hochwertige Merkmale, um die Auswirkungen von Verdeckungen zu verringern und eine saubere Merkmalsdarstellung zu erzielen. Dennoch kann die saubere Merkmalsdarstellung aufgrund fehlender semantischer Informationen die gesamte Gesichtsstruktur nicht vollständig repräsentieren. Um eine umfassende und vollständige Merkmalsdarstellung zu erreichen, ist es entscheidend, ein Low-Rank-Lernmodul einzusetzen, um verlorene Merkmale wiederherzustellen. Da geometrische Gesichtsmerkmale hilfreich für die Wiederherstellung verlorener Merkmale im Low-Rank-Modul sind, schlagen wir ein geometriebewusstes Modul vor, um die geometrischen Beziehungen zwischen verschiedenen Gesichtsanteilen zu erschließen. Aufgrund der synergistischen Wirkung der drei Module erreicht das vorgeschlagene Netzwerk eine bessere Leistung im Vergleich zu aktuellen State-of-the-Art-Methoden auf anspruchsvollen Benchmark-Datensätzen.