Recently, a lot of attention has been focused on the incorporation of 3D data into face analysis and its applications. Despite providing a more accurate representation of the face, 3D facial images are more complex to acquire than 2D pictures. As a consequence, great effort has been invested in developing systems that reconstruct 3D faces from an uncalibrated 2D image. However, the 3D-from-2D face reconstruction problem is ill-posed, thus prior knowledge is needed to restrict the solutions space. In this work, we review 3D face reconstruction methods proposed in the last decade, focusing on those that only use 2D pictures captured under uncontrolled conditions. We present a classification of the proposed methods based on the technique used to add prior knowledge, considering three main strategies, namely, statistical model fitting, photometry, and deep learning, and reviewing each of them separately. In addition, given the relevance of statistical 3D facial models as prior knowledge, we explain the construction procedure and provide a list of the most popular publicly available 3D facial models. After the exhaustive study of 3D-from-2D face reconstruction approaches, we observe that the deep learning strategy is rapidly growing since the last few years, becoming the standard choice in replacement of the widespread statistical model fitting. Unlike the other two strategies, photometry-based methods have decreased in number due to the need for strong underlying assumptions that limit the quality of their reconstructions compared to statistical model fitting and deep learning methods. The review also identifies current challenges and suggests avenues for future research.

近来，许多注意力集中在将3D数据合并到面部分析及其应用中。尽管提供了面部的更准确表示，但3D面部图像的获取要比2D图片更为复杂。结果，在开发系统上投入了大量的精力，这些系统可以从未经校准的2D图像重建3D人脸。然而，从3D到2D的面部重构问题是不适的，因此需要先验知识来限制解决方案空间。在这项工作中，我们回顾了过去十年提出的3D人脸重建方法，重点介绍了仅使用在不受控制的条件下捕获的2D图片的方法。我们根据用于添加先验知识的技术对提出的方法进行分类，其中考虑了三种主要策略，即统计模型拟合，光度法，和深度学习，并分别复习它们。此外，鉴于统计3D面部模型作为先验知识的相关性，我们解释了构建过程并提供了最流行的公开可用3D面部模型的列表。在对3D从2D面部重建方法进行详尽研究之后，我们发现深度学习策略自最近几年以来正在迅速发展，已成为替代广泛的统计模型拟合的标准选择。与其他两种策略不同，基于光度法的方法的数量有所减少，原因是需要与统计模型拟合和深度学习方法相比，有力的基础假设限制了其重建的质量。审查还确定了当前的挑战，并提出了未来研究的途径。并分别对其进行审查。此外，鉴于统计3D面部模型作为先验知识的相关性，我们解释了构建过程并提供了最流行的公开可用3D面部模型的列表。在对3D从2D面部重建方法进行详尽研究之后，我们发现深度学习策略自最近几年以来正在迅速发展，已成为替代广泛的统计模型拟合的标准选择。与其他两种策略不同，基于光度法的方法的数量有所减少，原因是需要与统计模型拟合和深度学习方法相比，有力的基础假设限制了其重建的质量。审查还确定了当前的挑战，并提出了未来研究的途径。并分别对其进行审查。此外，鉴于统计3D面部模型作为先验知识的相关性，我们解释了构建过程并提供了最流行的公开可用3D面部模型的列表。在对3D从2D面部重建方法进行详尽研究之后，我们发现深度学习策略自最近几年以来正在迅速发展，已成为替代广泛的统计模型拟合的标准选择。与其他两种策略不同，基于光度法的方法的数量有所减少，原因是需要与统计模型拟合和深度学习方法相比，有力的基础假设限制了其重建的质量。审查还确定了当前的挑战，并提出了未来研究的途径。此外，鉴于统计3D面部模型作为先验知识的相关性，我们解释了构建过程并提供了最流行的公开可用3D面部模型的列表。在对3D从2D面部重建方法进行详尽研究之后，我们发现深度学习策略自最近几年以来正在迅速发展，已成为替代广泛的统计模型拟合的标准选择。与其他两种策略不同，基于光度法的方法的数量有所减少，原因是需要与统计模型拟合和深度学习方法相比，有力的基础假设限制了其重建的质量。审查还确定了当前的挑战，并提出了未来研究的途径。此外，鉴于统计3D面部模型作为先验知识的相关性，我们解释了构建过程并提供了最流行的公开可用3D面部模型的列表。在对3D从2D面部重建方法进行详尽研究之后，我们发现深度学习策略自最近几年以来正在迅速发展，已成为替代广泛的统计模型拟合的标准选择。与其他两种策略不同，基于光度法的方法的数量有所减少，原因是需要与统计模型拟合和深度学习方法相比，有力的基础假设限制了其重建的质量。审查还确定了当前的挑战，并提出了未来研究的途径。鉴于统计3D面部模型作为先验知识的相关性，我们解释了构建过程并提供了最流行的公开可用3D面部模型的列表。在对3D从2D面部重建方法进行详尽研究之后，我们发现深度学习策略自最近几年以来正在迅速发展，已成为替代广泛的统计模型拟合的标准选择。与其他两种策略不同，基于光度法的方法的数量有所减少，原因是需要与统计模型拟合和深度学习方法相比，有力的基础假设限制了其重建的质量。审查还确定了当前的挑战，并提出了未来研究的途径。鉴于统计3D面部模型作为先验知识的相关性，我们解释了构建过程并提供了最流行的公开可用3D面部模型的列表。在对3D从2D面部重建方法进行详尽研究之后，我们发现深度学习策略自最近几年以来正在迅速发展，已成为替代广泛的统计模型拟合的标准选择。与其他两种策略不同，基于光度法的方法的数量有所减少，原因是需要与统计模型拟合和深度学习方法相比，有力的基础假设限制了其重建的质量。审查还确定了当前的挑战，并提出了未来研究的途径。我们将说明构建过程，并提供最流行的公开可用3D面部模型的列表。在对3D从2D面部重建方法进行详尽研究之后，我们发现深度学习策略自最近几年以来正在迅速发展，已成为替代广泛的统计模型拟合的标准选择。与其他两种策略不同，基于光度法的方法的数量有所减少，原因是需要与统计模型拟合和深度学习方法相比，有力的基础假设限制了其重建的质量。审查还确定了当前的挑战，并提出了未来研究的途径。我们将说明构建过程，并提供最流行的公开可用3D面部模型的列表。在对3D从2D面部重建方法进行详尽研究之后，我们发现深度学习策略自最近几年以来正在迅速发展，已成为替代广泛的统计模型拟合的标准选择。与其他两种策略不同，基于光度法的方法的数量有所减少，原因是需要与统计模型拟合和深度学习方法相比，有力的基础假设限制了其重建的质量。审查还确定了当前的挑战，并提出了未来研究的途径。我们观察到，自最近几年以来，深度学习策略正在迅速发展，已成为替代广泛的统计模型拟合的标准选择。与其他两种策略不同，基于光度法的方法的数量有所减少，原因是需要与统计模型拟合和深度学习方法相比，有力的基础假设限制了其重建的质量。审查还确定了当前的挑战，并提出了未来研究的途径。我们观察到，自最近几年以来，深度学习策略正在迅速发展，已成为替代广泛的统计模型拟合的标准选择。与其他两种策略不同，基于光度法的方法的数量有所减少，原因是需要与统计模型拟合和深度学习方法相比，有力的基础假设限制了其重建的质量。审查还确定了当前的挑战，并提出了未来研究的途径。与统计模型拟合和深度学习方法相比，基于光度法的方法数量有所减少，原因是需要强大的基础假设限制了其重构的质量。审查还确定了当前的挑战，并提出了未来研究的途径。与统计模型拟合和深度学习方法相比，基于光度法的方法数量有所减少，原因是需要强大的基础假设限制了其重构的质量。审查还确定了当前的挑战，并提出了未来研究的途径。