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
深度圖像超分辨率是一項重要而又具有挑戰性的任務。為了解決這一問題，本文提出了一種新的深彩色引導粗精細卷積神經網絡(Cnn)框架。首先，我們提出了一種數據驅動濾波方法來逼近深度圖像超分辨率的理想濾波器，而不是手工設計的濾波器。在大樣本的基礎上，對上采樣深度圖像進行濾波，具有更高的准確性和穩定性。其次，我們引入了一個粗到細的cnn來學習不同尺寸的濾芯.在粗化階段，cnn學習更大的濾波核，以獲得粗糙的高分辨率深度圖像。對於精細級，采用粗高分辨深度圖像作為輸入，學習更小的濾波核，得到更精確的結果。從這個網絡中受益，我們可以逐步恢復高頻細節。第三，構造了一種融合色差和空間距離的深度圖像重采樣彩色制導策略。根據高分辨率彩色地圖中對應的像素對插值后的高分辨率深度圖像進行修正.在顏色信息的引導下，獲得的高分辨率圖像的深度可以減輕紋理的影響。
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、（不太相關）SRM超分辨率測繪技術
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時間圖像融合、半色調、2D多陷波濾波器和迭代形態學的組合來表示來自粗空間分辨率圖像的湖泊。對所代表的湖泊的形狀特征進行了評價。這種技術對湖泊的形狀產生了高精度和現實的表征。