3D super-resolution using generalized sampling expansion

Using a probabilistic interpretation of Papoulis' generalized sampling theorem, an iterative algorithm has been devised for 3D reconstruction of a Lam-bertian surface at sub-pixel accuracy. The problem has been formulated as an optimization one in a Bayesian framework. The latter allows for introducing a priori information on the solution, using Markov Random Fields (MRF). The estimated 3D features of the surface are the albedo and the height which are obtained simultaneously using a set of low resolution images. R esum e : Dans ce rapport, nous pr esentons une interpr etation probabiliste du th eor eme d' echantillonnage multi-canal de Papoulis, qui nous permet de mettre en uvre un algorithme it eratif pour la reconstruction 3D d'une surface lambertienne a haute r esolution. Le probl eme est donc formalis e comme celui de la minimisation d'une fonction de co^ ut et il est trait e dans un cadre bayesien, ce qui nous permet, d'autre part, d'introduire de l'information a priori en utilisant les champs de Markov. Les caract eristiques reconstruites a haute r esolution sont l'albedo et l'altitude de la surface observ ee, qui sont obtenus simultan ement a partir d'une s equence d'images a basse r esolution.