随着计算机性能与网络传输能力的不断发展,人们在享受多媒体所带来的便利与乐趣的同时,正逐渐提升对多媒体数据的品质要求。超分辨率(Super-Resolution)技术正是针对图像、视频等多媒体形式,通过挖掘和融合多帧输入数据所包含的信息,或把基于学习过程所获得的先验知识补充到单帧输入数据上等方法,来达到增加细节信息、提高清晰程度的效果,从而实现对输入数据的品质提升。 然而,目前超分辨率方法集中于二维域上的数据形式,极少有面向三维几何模型的方法。三维几何模型已成为一种重要的多媒体数据形式,因此解决三维几何模型的超分辨率问题,从完善理论和推广应用的角度都具有重要的意义。 本文从研究和比较已有的二维超分辨率算法入手,在分析超分辨率本质问题的基础上,给出了三维几何模型超分辨率问题的定义;进而提出了基于学习的三维几何模型的超分辨率算法框架;并搭建了实验平台FTK(Face Toolkit),通过在三维人脸模型上的应用,证明了框架的可行性和算法的有效性。主要工作包括: 1.提出了基于学习的三维几何模型超分辨率算法框架; 2.提出了三维几何数据的渐进分辨率链式模型,建立了表征不同分辨率模型之间内在联系的有效工具; 3.通过分析三维几何模型与二维图像的数据表示形式之间的联系,借助曲面映射方法,提出了基于本质参数化的两阶段映射方法,把三维超分辨率这个三维域上的问题转化到二维平面域上; 4.借助渐进分辨率链式模型,提出了基于主元分析的三维超分辨率算法,给出了具体的求解过程。