基于单幅图片的三维人脸重建在计算机图形和视觉领域是一个极具挑战性的问题,对于人脸识别、人脸转正和人脸动画等应用具有重要意义,最近的研究工作主要集中在由CNN构成的人脸模型回归三维可形变模型系数用于三维人脸重建和对齐任务,但一些重建方法仅考虑一对一的重建过程,而不考虑输入图像中的相关性或差异,导致模型对人脸身份信息缺乏敏感性或对人脸姿态过度敏感,另外,由于三维人脸数据集的匮乏,限制了上述方法性能的提升,使模型对自然场景下的人脸图像缺乏鲁棒性。本文基于上述研究过程中遇到的问题,分别从网络结构和数据的角度两个方面对基于单幅图像的三维人脸重建展开研究,文章的主要贡献如下:1.提出使用孪生卷积神经网络(SCNN)获取鲁棒性的三维可形变模型系数,通过学习一个全局一致性映射函数将输入转化到输出空间,然后施加约束,以使同一个人不同脸部姿态的照片重建出的三维人脸形状保持一致,而不同对象的人脸形状保持差异;同时,利用卷积神经网络在特征学习方面的优势,保留输入对象的特征信息,辅助完成人脸识别任务。该方法在AFLW2000-3D和300W-LP数据集上测试获得了良好的效果。2.针对现阶段基于CNN回归3DMM系数重建三维人脸的方法需要大量2D-3D数据标注的人脸图像问题,提出利用海量的自然场景人脸图像辅助三维人脸重建任务,该方法通过借鉴条件对抗网络的思想,将二维人脸的潜在表示与对应的3DMM系数融合从而绕过了三维人脸数据不足的问题,提高了模型恢复3DMM系数的准确性和对自然场景中人脸图像的鲁棒性,在公开数据集上的测试表明,该方法相较于目前主流的三维人脸重建方法都取得了更好的效果。3.根据重建出来的三维人脸形状拟合得到人脸图像对应的密集三维人脸特征点,即三维人脸对齐,从而解决二维人脸对齐方法不能解决的大姿态、遮挡等问题。本文通过将三维可形变模型(3DMM)拟合到二维人脸图像来执行密集人脸对齐,并结合300W-LP数据集中的大姿态人脸信息进行模型训练,最终在ALFW2000-3D测试集的实验表明,本文的方法在人脸对齐误差特别是人脸姿态在[60°,90°]范围时,取得了高于目前主流的基于三维人脸模型的人脸对齐精度。