图像重光照是计算机图形学和计算机视觉共有的经典问题,旨在改变图像的光照条件以满足视觉需求。人脸图像因使用广泛且对光照敏感,所以是重光照技术的重要作用对象。本文的主要工作是结合逆渲染技术和半监督学习技术,提出了人脸重光照算法和去高光算法。首先,根据对人脸皮肤模型的调研,光线入射后,人脸皮肤会产生一定的非漫反射现象,其中镜面反射占主要部分。镜面反射使人脸部分区域产生高光,然而当前大部分论文认为光线和人脸接触之后,会发生完全的漫反射。由此,本论文提出了一种改进Phong光照模型的人脸重光照算法。首先针对人脸图像的高光,在对应的光照模型中加入镜面反射分量,并根据该模型使用渲染引擎得到合成图像来训练神经网络Attention-Unet用于人脸高光去除。为提升人脸高光效果,通过自训练对模型进行微调。去除人脸高光部分以后,使用本征图像分解网络SfSNet将人脸图像进行进一步分解为反射率图像,法线图像和球谐光照。替换光照相关部分,并与其他部分重组,实现人脸重光照。在去高光问题中,当前学者往往在合成数据上训练网络模型,然后再将模型运用到真实数据上。因为合成数据与真实数据存在明显差异,此类方法往往效果不佳。本文针对这一问题,改进了一种基于伪标签的半监督学习算法以去除人脸高光。该算法在训练网络过程中先后使用带标签数据和无标签数据。在训练带标签数据的过程中,保存卷积层的特征向量,并使用稀疏编码训练一个完备的字典（基向量组）。然后借助高斯过程,对无标签特征向量和字典联合建模,并将联合高斯分布的均值作为无标签数据的特征向量的伪标签,由此实现半监督学习。本文根据在图像重光照的理论基础上,结合人脸属性,提出了一种关于改进Phong光照模型的人脸重光照算法,相对于其他人脸重光照算法,本文在定量和定性实验中都具有一定优势。其次,针对人脸重光照逆渲染过程中,合成数据和真实数据造成的差异,改进了一种基于伪标签的半监督学习算法来实现人脸去高光。通过定性分析可知,该算法能有效去除人脸高光,且保留纹理细节。