虚拟数字人一直是三维视觉和计算机图形学的研究热点,相关技术更是广泛应用于AR/VR、全息通信、影视/游戏制作等多个领域。数字人的基本研究可描述为将人以及与之相关的人体、人脸以及服装等对象进行数字化表示,表示内容则往往涉及数字人的几何外观和语义信息。前者旨在对数字人的三维几何和材质外观进行高保真的描述刻画,后者则致力于对数字人的语义信息进行有效表示,它们分别对应数字人的外在呈现和语义概括,并可通过数字人的语义参数化模型进行关联。此外,针对不同的任务场景,往往也对应着构建高效、训练有效以及语义理解等不同的任务需求,伴随着则需要在相应的任务场景下设计有针对性的数字人表示方式和重建方法。本文围绕高保真虚拟数字人的表示与重建展开,并取得如下技术贡献和创新成果:面向动态人体的高保真纹理序列表示与生成。深度成像技术的快速发展使得基于消费级深度传感设备的实时动态人体重建方法被广泛研究。我们针对该场景提出一种具有时空一致性的纹理地图快速生成方法。该方法将纹理序列一致性约束转换为网格序列一致性分割问题,并综合考虑序列的一致性时序约束以及纹理成像要求,进而设计有效的目标函数来描述刻画网格序列分割质量。同时,该方法也设计一种高效的序列网格帧间对应快速生成方法来辅助构建并优化该目标函数。当使用H.264对相关生成数据进行编码压缩时,可大幅度地降低纹理地图序列的视频码率,进而有效降低数据内存占有和可能的面向全息通信等技术的传输带宽要求。基于双目的高保真人体神经隐式几何表示与重建。深度学习的快速发展让人们开始探索适于网络训练的三维表示和输入更加简易的重建算法。为此我们提出一种高保真人体几何的神经隐式表示,并基于该表示提出一种仅使用双目图片输入的低成本、高质量人体重建算法。在该算法中,我们将精心设计的体素对齐特征和相对z差特征引入神经隐式几何表示,前者使得相关算法可以深度感知地重建人体几何,后者则帮助算法恢复目标重建对象细粒度的几何细节,并同时能够利用人体深度先验提升相关算法的鲁棒性及其重建结果的完整性。相较于之前算法,该算法显著提升了重建精度,且实现了当时最优的人体重建质量。基于神经辐射场的高保真语义参数化头部模型。语义参数化模型可扮演数字人几何外观和语义信息间的桥梁,并可根据给定的语义参数生成相应的三维表示。这里我们关注人脸头部语义参数化表示,并发现现有的基于传统几何表示的人脸头部语义参数化模型常面临表达能力有限以及几何训练数据收集困难的问题。为此,我们将神经辐射场作为人脸头部表示的三维代理,并将其创新性地应用于人脸头部参数化模型构建。得益于对网络结构、训练策略以及损失函数的精心设计,该参数化模型能够实时地渲染照片级高保真的人脸头部图像,并能直接控制调整目标对象的渲染参数以及语义解耦地编辑生成图像的身份、表情和外观属性。概括来说,本文研究任务场景涉及动态重建场景下的三维数字人外观表示、适于学习训练的数字人几何表示以及高真实感人脸头部语义参数化模型表示构建,内容上则涵盖了数字人几何、外观以及语义参数化表示多个方面。文中丰富的实验测试也验证了提出的表示及其相关重建算法的有效性和优越性。我们相信文中对虚拟数字人综合且全面的改进将有效推动虚拟数字人的相关研究,从而帮助人们进一步向未来数字人迈进。