L'alignement facial, qui consiste à ajuster un modèle de visage à une image et à extraire les significations sémantiques des pixels faciaux, est un sujet important dans la communauté de la vision par ordinateur. Cependant, la plupart des algorithmes sont conçus pour des visages en positions de petite à moyenne amplitude (l'angle de giration est inférieur à 45 degrés), ce qui leur manque de la capacité d'aligner des visages en grandes positions jusqu'à 90 degrés. Les défis sont triples. Premièrement, le modèle de visage aux points d'intérêt couramment utilisé suppose que tous les points d'intérêt sont visibles et n'est donc pas adapté aux grandes positions. Deuxièmement, l'apparence du visage varie beaucoup plus drastiquement sur les grandes positions, passant de la vue frontale à la vue profil. Troisièmement, l'étiquetage des points d'intérêt en grandes positions est extrêmement difficile car les points d'intérêt invisibles doivent être devinés. Dans cet article, nous proposons de relever ces trois défis au sein d'un nouveau cadre d'alignement appelé 3D Dense Face Alignment (3DDFA), dans lequel un modèle morphable 3D dense (3DMM) est ajusté à l'image via des réseaux neuronaux convolutifs en cascade. Nous utilisons également des informations 3D pour synthétiser des images de visages en vue profil afin de fournir un grand nombre d'échantillons pour l'entraînement. Les expériences menées sur la base de données AFLW montrent que l'approche proposée réalise des améliorations significatives par rapport aux méthodes les plus avancées actuellement disponibles.