최근 얼굴 랜드마크 검출 분야에서의 발전은 얼굴 형태와 자세의 다양한 변형에서 차별적인 특징을 학습함으로써 성공을 거두었습니다. 그러나 얼굴 자체의 다양성 외에도, 이미지 스타일의 고유한 다양성, 예를 들어 흑백 대 컬러 이미지, 밝음 대 어둠, 선명함 대 둔함 등이 지속적으로 간과되어 왔습니다. 다양한 출처에서 웹 이미지를 수집하여 신경망을 훈련시키는 것이 증가함에 따라 이 문제는 피할 수 없게 되었습니다. 본 연구에서는 얼굴 랜드마크 검출을 위해 이미지 스타일의 큰 고유한 다양성을 처리하는 스타일 집계 접근법을 제안합니다. 제안된 방법은 생성적 적대 모듈을 통해 원래의 얼굴 이미지를 스타일 집계 이미지로 변환합니다. 이 방식은 환경 변화에 더 강건한 얼굴 이미지를 유지하기 위해 스타일 집계 이미지를 사용합니다. 그런 다음 원래의 얼굴 이미지와 스타일 집계 이미지가 서로 보완적으로 작용하여 랜드마크 검출기의 훈련에 활용됩니다. 이처럼, 각각의 얼굴에 대해 원래 스타일과 집계된 스타일의 두 개의 이미지를 입력으로 취합니다. 실험 결과, 이미지 스타일의 큰 다양성이 얼굴 랜드마크 검출기의 성능을 저하시키는 것으로 관찰되었습니다. 또한, 생성적 적대 모듈이 제거되고 스타일 집계 이미지가 사용되지 않은 변형된 접근법과 비교하여 본 방법론이 큰 이미지 스타일 다양성에 대한 강건성을 보여주었습니다. 본 접근법은 벤치마크 데이터셋인 AFLW와 300-W에서 최신 알고리즘들과 비교해 우수한 성능을 보임으로써 입증되었습니다. 코드는 GitHub에서 공개적으로 이용 가능합니다: https://github.com/D-X-Y/SAN