1、A Coarse-to-Fine Subpixel Registration Method to Recover Local Perspective Deformation in the Application of Image Super-Resolution，2012
2、Deep Color Guided Coarse-to-Fine Convolutional Network Cascade for Depth Image Super-Resolution，2018
深度图像超分辨率是一项重要而又具有挑战性的任务。为了解决这一问题，本文提出了一种新的深彩色引导粗精细卷积神经网络(Cnn)框架。首先，我们提出了一种数据驱动滤波方法来逼近深度图像超分辨率的理想滤波器，而不是手工设计的滤波器。在大样本的基础上，对上采样深度图像进行滤波，具有更高的准确性和稳定性。其次，我们引入了一个粗到细的cnn来学习不同尺寸的滤芯.在粗化阶段，cnn学习更大的滤波核，以获得粗糙的高分辨率深度图像。对于精细级，采用粗高分辨深度图像作为输入，学习更小的滤波核，得到更精确的结果。从这个网络中受益，我们可以逐步恢复高频细节。第三，构造了一种融合色差和空间距离的深度图像重采样彩色制导策略。根据高分辨率彩色地图中对应的像素对插值后的高分辨率深度图像进行修正.在颜色信息的引导下，获得的高分辨率图像的深度可以减轻纹理的影响。
3、Coarse-to-Fine Learning for Single-Image Super-Resolution，2017
4、Coarse-to-Fine Image Super-Resolution Using Convolutional Neural Networks，2018
5、Single Image Super-Resolution for MRI Using a Coarse-to-Fine Network
SRCFN
6、（不太相关）SRM超分辨率测绘技术
super-resolution mapping (SRM) techniques
Super-resolution mapping of lakes from imagery with a coarse spatial and fine temporal resolution,2012
新的超分辨率映射使用时间图像融合、半色调、2D多陷波滤波器和迭代形态学的组合来表示来自粗空间分辨率图像的湖泊。对所代表的湖泊的形状特征进行了评价。这种技术对湖泊的形状产生了高精度和现实的表征。