无约束人脸对齐方法必须满足两个要求：一是不依赖于精确的初始定位或人脸检测结果；二是应对各种面部姿态时均能保持一致的性能表现。据我们所知，目前尚无方法能够以令人满意的方式同时满足上述两个条件。为此，本文提出了一种名为卷积局部证据聚合（Convolutional Aggregation of Local Evidence, CALE）的卷积神经网络（CNN）架构，专门用于解决上述两个挑战。具体而言，为消除对精确人脸检测的依赖，本系统首先执行面部部件检测，生成每个面部关键点位置的置信度图（即局部证据）。随后，系统通过联合回归机制，将这些置信度图与早期CNN特征进行聚合，以进一步优化关键点的位置。此外，CNN回归不仅承担了图模型的功能，更是本系统的关键特性之一，它引导网络利用上下文信息来预测被遮挡关键点的位置，这在极端大姿态情况下尤为关键。整个系统采用端到端的方式进行训练，并引入中间监督机制以提升性能。在目前最具挑战性的人脸对齐测试集AFLW-PIFA上，相较于其他近期发表的大姿态人脸对齐方法，本方法在定位精度上实现了超过50%的显著提升。此外，本方法在处理动物面部时也表现出色，能够有效应对形状与外观发生的剧烈变化，展现出良好的泛化能力。