Malgré les progrès considérables réalisés récemment dans le domaine de l’alignement d’images faciales, les algorithmes d’alignement faciale à la fois précis et rapides présentent encore des marges d’amélioration, en particulier pour les applications où les ressources de calcul sont limitées. À cet effet, nous proposons un nouvel algorithme de localisation des points caractéristiques faciaux basé sur la combinaison de la régression globale et du raffinement local. Plus précisément, pour une image donnée, notre algorithme commence par estimer la forme faciale globale à l’aide d’un réseau de régression globale (GRegNet), puis utilise successivement des réseaux de raffinement local en cascade (LRefNet) pour améliorer progressivement le résultat d’alignement. Contrairement aux algorithmes précédents, notre innovation majeure réside dans le partage des caractéristiques de bas niveau entre le GRegNet et le LRefNet. Ce partage de caractéristiques améliore non seulement de manière significative l’efficacité algorithmique, mais permet également d’exploiter pleinement les détails riches et sensibles à la localité présents dans les couches profondes des réseaux, ce qui conduit à une amélioration notable de la précision de localisation. Les avantages de notre approche sont clairement confirmés par des expérimentations approfondies menées sur quatre benchmarks populaires d’alignement facial : 300-W, AFLW, COFW et WFLW. Sur l’ensemble des jeux de données, notre algorithme atteint une précision d’alignement de pointe, tout en présentant la complexité computationnelle la plus faible.