三维人脸重建和自由视点视频分别在影视、游戏、动画和体育赛事等领域有着广阔的应用前景,高效地生成高质量的人脸三维模型和自由视点视频是其大规模落地应用的关键。传统的高精度三维人脸重建和自由视点视频生成方法主要面临以下挑战:1)对硬件设备的配置及数量要求高,成本高昂;2)生成流程复杂且生成精度依赖每一步的精确结果;3)生成过程十分耗时。为了应对上述挑战,本文采用了先进的深度学习方法,旨在提高三维人脸重建和自由视点视频生成的效率和质量,也基于传统多视点三维重建方法构建了高精度三维人脸数据库,为深度学习方法提供更好的数据基础。主要工作内容和创新点如下:1、提出了一种高精度三维人脸数据库的构建与注册方案,包括多视图图像数据采集、高精度三维人脸重建、几何结构与纹理的注册等流程。在进行注册之前,将几何结构分层级地表示为低模和置换图,提升了模型存储效率。2、提出了两种从单视图图像重建三维人脸低模的方法。第一种通过构建双线性参数化模型进而完成三维人脸的拟合重建,经测试其拟合能力优于两个已公开的前沿的参数化模型。第二种通过图卷积神经网络进行预测重建,提升了重建速度。此外,还设计了两种生成对抗网络,分别实现了纹理补全、预测置换图来补充中高频几何细节。3、针对自由视点视频生成,提出了两种虚拟视点图像生成算法。设计并搭建了两套分别实现高帧率和高分辨率的多视点视频同步采集系统。利用采集数据进行了实验并与其他算法进行了定性和定量比较。实验结果表明,本文提出的基于深度学习的虚拟视点生成算法在保证生成虚拟视点图像质量的同时,极大地提升了生成速度;三维重建再渲染的方法对复杂场景区域重建更为精准但耗时。最后,针对自由视点视频设计了基于Unity的交互式软件。