三维人脸重建,即在虚拟计算机世界中,利用现实的人脸信息构建出足够表达人脸的三维信息,包括MESH网格、纹理、光照模型等,人脸的三维重建能够很好的应用于需要人脸信息的领域,如游戏动漫引擎、电影制作、信息安全加密、医疗健康、3D打印等。当前商用主流的三维人脸建模一般都是基于大型三维扫描仪器进行人脸扫描重建或者通过商业三维软件进行人工建模,但是其对建模场景要求过高,限制较多,不能在任意场景下使用。即使可建精细度很高,但是计算时间长,人工成本也很高。对于精细度要求不高的普通用户,这种复杂的系统和高昂的成本并不可能普及。在科研领域,主流思想是基于三维可变的统计模型进行建模,主要有CANDIDE-3、3DMM、BFM、LSFM等模型。这些模型要么结构简单,表现力不够,要么严重依赖于统计数据,可适用性不够。随后,因为深度学习的发展,使之利用网络结构直接回归一种2D图片到3D网络的映射关系的方法成为可能,即直接输入人脸图片,就可获得较高精度的人脸三维模型。本文基于残差网络,提出了一种分层残差学习的网络结构,直接进行端到端的人脸三维重建,该方法利用了一种叫UV-Positon map的思想,将基于3DMM可变模型的顶点数据映射到固定尺寸的2D map中,这样就可以将记录了3D MESH的2D图像作为训练数据进行深度学习。Loss函数部分,使用一层权重遮罩,剔除非人脸区域的影响,并提高特征点以及眼睛、鼻子、嘴巴等区域的权重值。在输入网络生成三维模型之前,我们将人脸对齐和三维重建分离,先将人脸矫正,再输入到网络中,由2D Image直接生成3D Mesh。利用残差学习的优势,该方法通过单张RGB人脸图像重建一个高质量的三维模型,大大降低了人脸模型误差,同时消除了当前最优秀的人脸三维重建方法中模型的褶皱现象,具有更好的曲面平滑度。相较于传统CNN方法也不再受限于某个特定的3D人脸模型,在不丢失语义的情况下,更是省去了投影、光照、纹理对齐等复杂环节。