3D-Morphable-Modelle (3DMMs) sind leistungsstarke statistische Modelle der dreidimensionalen Gesichtsform und -textur und zählen zu den fortschrittlichsten Methoden zur Rekonstruktion der Gesichtsform aus einzelnen Bildern. Mit dem Auftreten neuer 3D-Sensoren wurden viele 3D-Gesichtsdatensätze unter Beibehaltung sowohl neutrale als auch ausdrucksstarke Gesichter gesammelt. Allerdings werden alle Datensätze unter kontrollierten Bedingungen aufgenommen. Daher ist es schwierig, statistische Texturmodelle zu erstellen, die ausreichend sind, um Gesichter unter unkontrollierten Bedingungen ("in-the-wild") zu rekonstruieren. In dieser Arbeit schlagen wir das erste, soweit wir wissen, "in-the-wild" 3DMM vor, indem wir ein leistungsfähiges statistisches Modell der Gesichtsform kombinieren, das sowohl Identität als auch Ausdruck beschreibt, mit einem "in-the-wild" Texturmodell. Wir zeigen, dass die Verwendung eines solchen "in-the-wild" Texturmodells den Anpassungsprozess erheblich vereinfacht, da eine Optimierung bezüglich der Beleuchtungsparameter nicht erforderlich ist. Darüber hinaus stellen wir einen neuen schnellen Algorithmus zur Anpassung des 3DMM an beliebige Bilder vor. Schließlich haben wir die erste 3D-Gesichtsdatenbank mit relativ unkontrollierten Bedingungen aufgenommen und quantitative Bewertungen mit Stand der Technik-leistung vorgestellt. Komplementäre qualitative Rekonstruktionsergebnisse werden an Standard-"in-the-wild" Gesichtsdatenbanken demonstriert. Eine Open-Source-Implementierung unserer Technik wird im Rahmen des Menpo-Projekts veröffentlicht.