在涉及到3D人物的领域,如电影制作、游戏制作、虚拟主播等,构建3D人脸模型一直是不可或缺的一步。在现实中,一个人物的3D建模对于各类资源如人力、财力资源有大量需求。对于一个人物的建模,不仅需要确定拓扑结构,还需要设计具有丰富细节的人物纹理。而引入深度学习的自动化重建3D人脸模型能够大大提高人物建模的效率。尽管基于深度学习的3D人脸重建算法能够快速地生成输入图像的3D模型结果,但在训练过程中仍然面临着许多问题。一是高质量标注数据的缺乏,对于一个3D模型,通常由3D扫描仪器进行扫描,如果统一了拓扑结构,那么还需要对扫描后的3D结果进行清洗重构,这种做法十分耗费人力、财力。对于高质量标注数据缺乏的问题,通常利用关键点拟合的方法,那么,如何更好的利用当前已有的高质量关键点标注数据是个重要的突破口。二是3D人脸重建的精度问题,目前3D人脸重建存在两种方向,一种是训练模型拟合人脸参数,另一种是训练模型直接拟合3D人脸顶点。这两种方式各有优缺点,如何优化模型框架来提高重建精度是个亟需解决的问题。三是重建出来的人脸的纹理清晰度与完整度,单图3D人脸重建存在一个很明显的问题就是单张图无法展示完整的人脸纹理,特别是侧面人物图像,如何尽可能的恢复缺失的侧面部分纹理是一个很重要的问题。针对以上问题,本文的主要工作包括:1.提出基于卷积神经网络的3D人脸对齐算法:本文提出了一种基于卷积神经网络的人脸对齐算法DANF,利用人脸参数损失以及顶点损失学习人物图像到人脸参数的表达。同时提出了一种简单并且十分有效的数据集增强方式。该算法以及数据增强方式不仅能够提高单图3D人脸对齐的精度,并且增强了模型的稳定性,使得DANF能够适应大角度人脸图像。2.提出基于生成式对抗网络的面部纹理补全算法:本文提出了一种基于生成式对抗网络的面部纹理补全算法SPIC,利用外观匹配损失以及全局匹配损失学习残缺面部纹理的补全。同时提出了一种低成本并且能够快速创建完整人脸纹理数据集的方法。利用该算法与纹理数据集能够自然地将残缺的面部纹理补全完整。3.提出基于ESRGAN的面部纹理超分辨率算法:本文提出了一种基于ESR-GAN的面部纹理超分辨率模型ETSRGAN。利用ETSRGAN及高分辨率纹理数据集能够将低分辨率的面部纹理提升至1K分辨率,同时恢复其中丰富的纹理细节。本文在多个3D人脸重建数据集上验证了所提出的算法,实验结果表明,本文所提出的算法在不同的3D人脸重建数据集上超过了其他同类3D人脸重建算法。