UniField：统一 field-aware MRI 增强框架
计算机视觉与模式识别
2026-03-11 v1
摘要
磁共振成像 (MRI) field-strength 增强对临床诊断和前沿研究都具有巨大价值。然而，现有方法通常只关注特定的增强任务，如 64mT-to-3T 或 3T-to-7T 转换，使用有限的受试者队列，从而无法利用不同 field strength 之间固有的共享退化模式，严重限制了模型的泛化能力。为此，我们提出了 \methodname，一个集成多种模态和增强任务的统一框架，通过利用这些共享退化特征来促进表征学习。具体而言，我们的主要贡献有三点。首先，为克服 MRI 数据稀缺问题并捕捉连续的解剖结构，\methodname 远离于常规方法，将 3D MRI 体积视为独立的 2D 切片。相反，我们直接利用全面的 3D 体积信息，通过利用预训练的 3D 基础模型，从而嵌入通用且稳健的结构表征，显著提升增强性能。此外，为缓解主流流匹配模型常导致高频细节过平滑的谱偏差，我们显式地纳入磁场的物理机制，引入 Field-Aware Spectral Rectification Mechanism (FASRM)，为不同 field strength 定制化的谱校正。最终，为解决根本的数据瓶颈，我们组织并公开发布了一个全套的多 field MRI 数据集，规模是现有数据集的数量级。大量实验表明，我们的方法优于最先进的方法，在 PSNR 上平均提高约 1.81 dB，在 SSIM 上提高约 9.47%。代码将在接受后发布。
引用
@article{arxiv.2603.09223,
title = {UniField: A Unified Field-Aware MRI Enhancement Framework},
author = {Yiyang Lin and Chenhui Wang and Zhihao Peng and Yixuan Yuan},
journal= {arXiv preprint arXiv:2603.09223},
year = {2026}
}