La régression de carte thermique (heatmap regression, HR) est devenue l'une des approches principales pour l'alignement facial et a obtenu des résultats prometteurs dans des environnements contrôlés. Cependant, lorsque les images de visage sont affectées par de grandes variations de pose, des occultations importantes et des éclairages complexes, les performances des méthodes HR s'améliorent considérablement en raison des faibles résolutions des cartes thermiques générées et de l'exclusion d'informations d'ordre supérieur importantes qui peuvent être utilisées pour apprendre des caractéristiques plus discriminantes. Pour résoudre le problème d'alignement facial pour les visages avec des poses extrêmement grandes et des occultations importantes, cet article propose une méthode de régression sous-pixelaire de carte thermique (heatmap subpixel regression, HSR) et un modèle multi-ordre croisé géométriquement conscient (multi-order cross geometry-aware, MCG), qui sont intégrés sans couture dans un nouveau réseau en sablier multi-ordre à haute précision (multi-order high-precision hourglass network, MHHN). La méthode HSR est conçue pour atteindre une détection de points clés à haute précision grâce à une perte de détection sous-pixelaire bien conçue (subpixel detection loss, SDL) et à une technologie de détection sous-pixelaire (subpixel detection technology, SDT). En même temps, le modèle MCG est capable d'utiliser l'information croisée multi-ordre proposée pour apprendre des représentations plus discriminantes afin d'améliorer les contraintes géométriques faciales et les informations contextuelles. Selon nos connaissances, c'est la première étude à explorer la régression sous-pixelaire de carte thermique pour un alignement facial robuste et à haute précision. Les résultats expérimentaux issus de jeux de données基准数据集 (benchmark datasets) difficiles montrent que notre approche surpasse les méthodes les plus avancées décrites dans la littérature.Note: "基准数据集" is translated as "jeux de données benchmark" to maintain the technical term commonly used in French academic or tech writing.