随着近年来三维人脸重建技术在人脸识别、安防预警、目标追踪等领域的广泛应用,三维人脸重建方法研究成为了计算机视觉领域的热点。虽然三维重建技术有了一定的理论支撑以及广泛的应用基础,但如何在还原人脸过程中保证真实性和准确性依旧是一直以来的研究难点。传统的三维人脸重建方法需要充分考虑人脸特征的几何关联和面部纹理结构,为了补全这些关联而所获取信息的代价是极高的。除此之外,传统三维人脸重建技术需要通过红外扫描仪等外部设备反复扫描才能获取目标特征信息,需要花费大量的经济和时间成本,而且在实际运用中很难融合其他模态数据信息。通过二维图像重建三维图形的方法可以较为有效地解决以上传统三维重建技术中潜在的问题。近年来,越来越多的研究者开始关注并研究二维人脸图像重建三维人脸模型方法,特别是生成对抗网络的出现与发展,为二维人脸图像重建三维人脸模型提供了新的技术路径。本文结合生成对抗网络的模型特性,以挖掘人脸图像中云点、体素、深度等潜在特征为研究重点,提出了基于生成对抗网络的三维人脸重建方法。本文主要工作如下:1、针对真实的人脸数据样本稀少的问题,构建图像采集平台并收集整理了3105位志愿者二维人像,完成了三维人像数据集,为后续的实验提供了高质量的模塑数据。2、因公开可用的三维人脸数据库存在样本量稀少和变异性有限的问题(例如,受试者少,受试者种族和性别差异小),以及深度网络的网格卷积存在一些未能完全解决的挑战,导致算子逼近和模型不稳定,往往无法保留分布的高频成分,本文提出一个基于生成对抗网络的三维人像重建模型(3D-UV-GAN)。3D-UV-GAN模型是为三维人脸分布建模而构建的生成对抗网络模型,其同时保留了三维人脸的高低频成分和形状。通过在大量的数据集上的实验分析表明,该模型能够在3D形状表达、生成以及转化等任务上表现优异。3、提出一种可以通过清晰的二维图像表达生成高质量三维图像的新的生成对抗网络3D-DM-GAN模型。同时,提出了一个联合构建3D人像和2D人像的端到端生成对抗学习框架。该框架首先基于真实形状学习不容易区分的2.5D图像(深度图),然后从2.5D图下完成三维重建目标,最后,通过学习2.5D图的真实纹理并生成3D人像图像。实验结果表明该框架模型能够生成更加逼真的三维图像。