三维人脸重建技术在计算机视觉领域中是一种非常重要的研究方向,在3D游戏,虚拟现实,和元宇宙等方向有非常广泛的应用前景。传统的三维人脸重建算法都是基于3DMM模型的改进,通常估计先验模型的形状,纹理,表情参数获取三维人脸结构模型,对面部细节和高频特征的三维表达存在缺失,重建出的模型都趋于平均模型,细节特征不明显。为了重建出模型具有明显的细节特征,无模型的方法成为了重点的研究方向,但是现有的无模型重建方法精度不足,无法获取到更丰富的人脸特征信息,尤其旋转到侧脸时,模型的眼睛和嘴巴特征信息会丢失更加严重。原因是无模型方法没有针对每个任务预测子网络结构进行更好的设计,以简单的编码器-解码器结构来完成对反照率和深度的重建,对输入的二维人脸图像的特征提取能力不足。本文针对这些问题,提出无模型下的多任务三维人脸重建方案,即通过一张图片获取图像中隐藏的信息,同时学习反照率,深度,光照和视角的多任务信息,重建出精细化形状纹理的三维结构,用来解决在自然场景下的三维人脸重建问题。本文的方法可以重建出更好的纹理和轮廓信息的三维人脸,从而实现高保真的三维人脸重建,本文的主要工作如下:1.针对在三维重建过程中缺乏上下文信息的问题,提出了一种低秩张量的重构的方法用于三维人脸重建。引入CP分解理论,把低秩张量构建成高秩上下文特征,以便得到空间和通道等多维的信息。同时引入三个损失函数进行约束,提升三维重建人脸算法的精度。2.在无约束条件下,在自然场景重建出的模型可以趋近于原始图像,而模型旋转成侧脸时,由于睫毛,眼球色差大而产生眼睛部位突出,鼻头部分塌陷的问题,本文提出基于无监督多任务学习的渐进式跨阶段三维人脸重建的方法,采用了一个多任务渐进式跨阶段网络来学习有效的反照率图,结合反照率图来重建具有丰富细节和合理形状的3D人脸。同时引入特征一致性损失,提升算法的稳定性,并在一定程度上防止了视角变化和噪声干扰。3.在网络预处理过程中,根据CUDA线程结构,存储结构,对图像预处理与卷积操作进行处理,从而提高效率。