Bien que les réseaux neuronaux profonds aient atteint une précision raisonnable dans la résolution de l'alignement facial, cette tâche reste difficile, en particulier lorsqu'il s'agit d'images faciales avec des occultations ou des poses de tête extrêmes. Les méthodes basées sur les cartes de chaleur (Heatmap-based Regression, HBR) et les méthodes basées sur les coordonnées (Coordinate-based Regression, CBR) sont parmi les deux approches principalement utilisées pour l'alignement facial. Bien que les méthodes CBR nécessitent moins de mémoire informatique, leurs performances sont inférieures à celles des méthodes HBR. Dans cet article, nous proposons une perte de régression basée sur les coordonnées adaptatives (Adaptive Coordinate-based Regression Loss, ACR) pour améliorer la précision des méthodes CBR dans l'alignement facial.Inspirationnée par le modèle de forme active (Active Shape Model, ASM), nous générons des objets Smooth-Face, un ensemble de points d'intérêt faciaux présentant moins de variations par rapport aux points d'intérêt faciaux véritables. Nous introduisons ensuite une méthode pour évaluer le niveau de difficulté de prédiction de chaque point d'intérêt facial pour le réseau en comparant la distribution des points d'intérêt faciaux véritables et celle des objets Smooth-Face correspondants. Notre perte ACR proposée peut modifier adaptivement sa courbure et l'influence de la perte en fonction du niveau de difficulté de prédiction de chaque point d'intérêt facial dans un visage.En conséquence, la perte ACR guide le réseau vers les points plus difficiles plutôt que vers ceux plus faciles, ce qui améliore la précision de la tâche d'alignement facial. Nos évaluations approfondies démontrent les capacités de notre perte ACR proposée à prédire les points d'intérêt faciaux dans diverses images faciales.