大多数的用户在网络上发布图像或者视频之前,会使用一些图像处理软件来编辑人脸图像,例如磨皮、祛痘等操作,而经过编辑后人脸图像一般都会变得不够真实。其主要原因是,大多数算法在处理人脸图像的过程中,丢失掉人脸图像中的部分纹理细节和光照信息。使用逆渲染算法来编辑人脸图像,能够保留足够的纹理细节和完整的光照信息,使得编辑后的人脸图像看上去更加真实。同时,逆渲染算法不仅仅能保证人脸图像在编辑前与编辑后光照信息的一致性,还能根据任务的需求,修改图像中的光照信息,例如,在保留足够纹理细节的同时,把光线较为暗淡的人脸图像修改成为较为明亮的图像。本文主要针对真实人脸图像的逆向渲染问题进行了研究。主要工作如下:1)现有方法利用合成人脸图像数据对基于深度学习的Sf SNet网络模型进行全监督训练,将人脸图像分解为本色图、法线图和光照参数等三个部分,再重建出人脸图像。由于真实的人脸图像并不存在与其对应的本色图、法线图和光照参数,即没有可用于监督的标签,因此无法使用真实人脸数据监督训练网络模型。但是,真实人脸图像与合成人脸图像之间存在域间隔,使用合成人脸图像数据所训练的模型,通常无法直接应用到真实人脸图像上。为了解决这一问题,本文在最新Sf SNet算法的基础上设计了Align-net结构,提出了一种弱监督训练方法,利用人脸视频数据中不同帧本色图和法线图身份一致性,使用Align-net弱监督Sf SNet网络模型和本文提出的Illu Res-Sf S网络模型,解决了真实人脸数据与合成人脸数据之间的域间隔难题,使得训练出来的网络模型能够有效地逆向渲染和重建真实人脸图像。2)Sf SNet算法中使用的朗伯体光照模型存在局限性。朗伯体光照模型通过多阶球谐函数表征光照信息,该模型仅适用于朗伯体。Sf SNet算法仅保留了朗伯体光照模型中的前三阶球谐函数系数,丢掉了其余高阶分量。同时真实的人脸不属于完全的朗伯体,因此该Sf SNet算法无法处理真实人脸图像中的部分纹理细节和部分光照信息。为此,本文提出Illu Res-Sf S深度学习算法,在分解出本色图、法线图和光照参数的前提下,进一步取出人脸图像中的光照残差图,光照残差图包含Sf SNet算法和朗伯体光照模型中忽略的纹理细节和光照残差分量。我们提出的算法能够有效提升本色图、法线图和重建人脸图像质量。本文从主客观的角度全面评估了基于Align-net的弱监督学习和Illu Res-Sf S算法的性能,对比实验结果表明本文所提出的基于弱监督学习的Illu Res-Sf S算法优于其他最新的人脸图像逆渲染算法。