三维人脸因为具备空间信息,在诸如人脸识别、影视娱乐和医疗美容等很多应用场合都是重要的研究对象。三维重建的目的是二维样本重建出三维人脸,这是一个逆向的病态问题。传统的基于模板的方法利用大量三维样本作为先验知识建立人脸形变模型,但这类方法仍存在重建精度低,重建人脸真实性不足等问题。近年来,深度学习方法在三维重建领域的应用表现出优越的重建效果和重建速度。综合国内外对三维人脸重建技术的研究成果,本文课题是在深度学习理论基础上,展开对单图三维人脸重建技术的研究探索,研究目标是从单幅无三维标签的人脸图像中重建出真实性强、精度高的三维人脸。主要研究工作如下:第一,提出一种基于可微分渲染器的三维人脸重建算法。目前一些自监督学习的三维人脸重建算法中使用的光栅化渲染器并不是完全可微分的,这阻碍了神经网络利用梯度下降来优化网络参数,从而影响了三维人脸重建的精度。针对这一问题,本文引入一个可微分渲染器以一种软光栅化的方式渲染图像,稳定训练过程。此外,本文添加了一个生成伪样本标签的支干网络,并在整体网络中添加对抗性损失和身份一致性损失约束网络训练方向,实现在多姿态条件下能够重建出身份特征显著的三维人脸。在实验结果上中本重建算法对比之前的自监督算法在重建精度上约有8%的提升。第二,提出一种基于生成对抗网络的人脸逆向渲染与重建算法。基于图形学规则的渲染器由于简化了真实世界中的照明、反射模型,其所渲染的图像与真实图像之间存在域间隔,这给网络优化或训练的过程带来大量域转移噪声。针对这一问题,本文训练一个条件生成对抗网络模拟渲染器从三维人脸生成二维图像的过程,并将该渲染器置于基于优化的算法框架中,根据一个良好的初始值,迭代优化得到三维人脸参数。整体网络实现了二维图像重建三维人脸几何形状的逆向渲染过程,对输出参数做出修改并将其返还给渲染器,可以实现人脸图像编辑的作用。在实验结果中该算法在重建精度上对比目前主流的自监督算法约有8%的提升,并且可实现在对人脸图像进行风格迁移和人脸替换的操作。