物理信息驱动的 DeepMRI：k-space 插值与热扩散相结合

基于摘要分析。该研究针对 MRI 重建中扩散模型从纯噪声生成图像时可能产生伪影的问题，提出以已有低频（LF）k-space 数据为基础生成缺失高频（HF）数据的框架，旨在使重建过程更可控。其主要贡献是建立 LF 到 HF 的 k-space 插值与逆热扩散过程之间的联系，并将传统物理信息驱动的 k-space 插值模型作为数据保真项引入扩散框架。 机制上，该方法将生成起点从随机噪声转向已有测量中的 LF 数据，用逆热扩散描述高频信息的恢复，再通过物理插值约束提高重建精度。摘要未给出具体扩散方程、数据保真项形式、网络结构及训练与推理流程，因此尚不能判断其确定性程度、约束实现方式或计算成本。 作者报告，在公开数据集上的 MRI 重建实验中，该方法优于传统 k-space 插值、深度学习 k-space 插值和常规扩散模型，优势尤其体现在 HF 区域；作者还评估了多个分布外数据集上的泛化性能。摘要未提供数据集名称、采样模式、加速倍数、数据划分、评价指标或具体数值，实验协议、消融及统计信息尚未验证，分布外评估的具体结论也需核对全文。 材料提供了代码仓库地址，但代码可运行性与复现条件尚未验证。该论文的主要研究对象是 MRI 图像重建，不是 EEG 解码或 BCI；摘要未建立其物理先验与 EEG/BCI 任务之间的具体对应关系，因此不据此推断 BCI 有效性或提出迁移实验。