La forme faciale 3D est plus expressive et plus cohérente par rapport au point de vue que sa contrepartie 2D. Toutefois, la localisation des points-forts faciaux 3D à partir d'une seule image reste un défi en raison de l'ambiguïté inhérente aux positions des points sous une perspective 3D. Les approches existantes adoptent généralement une stratégie en deux étapes sous-optimale, consistant à localiser d'abord les points-forts en 2D, puis à estimer la profondeur. Dans cet article, nous proposons une méthode appelée Joint Voxel and Coordinate Regression (JVCR) pour la localisation des points-forts faciaux 3D, abordant le problème de manière plus efficace de façon end-to-end. Tout d'abord, nous introduisons une représentation volumétrique compacte qui encode la probabilité par voxel d'être un point-fort 3D. La dimension de cette représentation reste fixe, quelle que soit la quantité de points-forts cibles, permettant ainsi d’éviter le fléau de la dimensionnalité. Ensuite, un réseau en forme d’horloge empilée est utilisé pour estimer cette représentation volumétrique de manière progressive, du grossier au fin, suivi d’un réseau de convolution 3D qui prend la volume estimé comme entrée et régresse les coordonnées 3D de la forme faciale. Ainsi, les contraintes structurelles 3D entre les points-forts peuvent être apprises de manière plus efficace par le réseau neuronal. En outre, le pipeline proposé permet une entraînement end-to-end, améliorant ainsi la robustesse et la précision de la localisation des points-forts faciaux 3D. L’efficacité de notre approche est validée sur les jeux de données 3DFAW et AFLW2000-3D. Les résultats expérimentaux montrent que la méthode proposée atteint des performances de pointe par rapport aux approches existantes.