非刚性目标三维重建作为三维重建领域的重要分支,其致力于求解非刚性目标的三维重建问题。相较于刚性目标的三维重建,其形变自由度更高、问题求解难度更大。而鉴于日常生活当中非刚性形变的广泛存在,求解此类三维重建问题是极具应用价值以及发展前景的。非刚性运动恢复结构（Non-Rigid Structure from Motion,NRSf M）是用于求解非刚性目标三维重建问题的一类经典方法,其通过序列图像中提取出的二维特征点信息,基于因式分解的思路以及适当的先验假设约束,实现逆向还原出物体的三维模型以及相应的旋转信息。而传统的NRSf M求解方法通常基于低秩假设以及迭代求解方法进行求解,这导致了求解时间长且重建精度易受选取形状基数量的影响等问题,这是不利于其实际应用的。对此,新提出的基于低秩的非刚性目标三维重建方案通过将传统的低秩NRSf M理论与深度学习方法进行有机结合,基于自动编码器网络模型实现了将二维特征点映射到三维空间当中,从而实现非刚性目标的三维重建问题求解。随后受潜在变量模型以及深度学习当中的深度生成模型启发,在所设计的网络模型的基础上,新设计了一系列对于网络模型学习到的潜在空间的约束方法,其中包括线性变换模块、稀疏损失以及基于生成对抗的概率分布映射。新方案通过线性变换模块以及稀疏损失约束网络模型学习到的潜在变量,使其倾向于低秩以及稀疏化。而后为了更好的重建精度以及泛化能力,新方案通过对抗训练以及判别网络模型,实现概率分布之间的映射,将原本的点对点的映射过程提升为概率分布之间的映射。基于CMU Motion Capture数据集构建了实验数据集,并分别从定量及定性的角度对新提出的方案进行了实验分析。实验结果表明,新提出的方案在重建准确性以及求解速度相较于现有的NRSf M方法有较大的优势,并且具有较强的泛化能力。