深度学习是目前应用最广泛的人工智能技术。近年来,许多研究已经将深度学习的概念引入到基于视觉输入来重建、跟踪和分析人脸的任务中。其中,高保真三维人脸重建任务旨在从图像中建模一个真实的三维人脸,这在相关的计算机视觉领域中起着重要的作用。使用监督深度学习技术进行高保真三维人脸重建通常是一项对数据规模和质量要求都很高的任务,因为监督学习的训练过程需要大量带标签的数据,而在实际情况中,收集和注释此类数据的成本非常高昂。因此,在高保真三维人脸重建任务中,自监督的深度学习技术更具普适性。现有的基于自监督的高保真三维人脸重建方法可以重建出较为准确的面部纹理细节,但这些方法在重建面部的皱纹细节时会出现细节丢失的情况。本文针对此情况分别提出了两种解决方法,相比于现有方法,本文的方法在重建面部的皱纹细节时保持了较高的重建精准度。具体地,首先,本文提出了孪生UNet,其通过边缘信息与面部细节信息的互相指导来提取更精确的面部细节。其次,本文提出了递归图像到图像转换网络,其通过模拟生物视觉来显式地增强面部细节的特征信息。两个方法都是以自监督的形式进行学习。此外,本文设计了一个高保真三维人脸重建系统,对上述的方法进行了展示,用户可使用该系统体验高保真三维人脸重建的过程。综上所述,本文的主要贡献点如下:1.本文提出了一种新的孪生UNet用于高保真三维人脸重建。孪生UNet将位移深度图视为二值分割图,并通过关联两个独立的UNet来同时优化位移深度图和边缘图的多层次特征。根据逻辑相互关系,本文设计了两个与方向特定的集成操作,并在两个任务之间双向传递消息。2.本文提出了递归图像到图像转换网络,该网络结合了递归机制和图像到图像转换网络,以密集的反馈连接进行多重序列化处理。其将解码器学习到的不同层的特征映射聚合到每一层编码器中,为编码器层提供了有益的扰动,因此能够显著增强层之间的特征信息流动。3.本文搭建了一个高保真三维人脸重建的展示系统。用户可以通过该系统对自己感兴趣的人脸图片进行测试,将一张人脸图片传入该系统即可返回由高保真三维人脸重建算法生成的3D人脸模型。