由于人脸在二维图像上存在大姿态下的自遮挡问题,与人脸相关的算法在该情况下很难表现的令人满意。近年来基于深度学习的人脸重建算法受到了研究人员的关注,但还是存在一些问题。本文主要研究了基于三维形变模型的人脸重建网络,主要研究工作包括:1.当前人脸重建网络的训练都离不开二维人脸特征点数据集,但是当前这些数据集的标注并不统一,不同的人脸特征数据集标注了不同数量与位置的特征点,导致网络的训练中只能在特定的数据集上进行训练。针对该问题,本文提出了一种能混合使用多种不同数据集训练的方法来进行数据增强,增加了训练样本的数目和多样性。2.本文利用可微分渲染技术,将三维人脸渲染成二维图像从而与原图像建立了联系,改进了传统的损失函数,提高了人脸纹理重建的效果,能有效解决在大偏航角姿态与遮挡下的人脸重建问题。3.本文通过将光流法引入网络训练过程,提出了一种新的无监督学习方法,使网络能在大量无标签的视频数据中学习到时序特征,提升了网络人脸对齐的精度,使网络重建结果可视化后在视频上更加稳定。