arXiv 于 2026 年 9 月 21 日（周一）19:10:14 UTC 收录了一篇新的计算机视觉与模式识别（cs.CV）预印本，题为《Uncertainty-Aware 3D Residual Wavelet Diffusion for Ultra Low-Field MRI Super-Resolution》（面向超低场 MRI 超分辨率的不确定性感知三维残差小波扩散模型），作者为 Rui W. Yeow 及另外 8 位合著者，第一作者联系邮箱显示为 Rui Wyern Yeow 女士。该论文共 11 页，含 3 幅图、1 张表，已被 MICCAI 2026 研讨会 SASHIMI 2026 接收，本次上传的是提交同行评审的版本。论文编号为 arXiv:2609.25319v1 [cs.CV]，DOI 为 https://doi.org/10.48550/arXiv.2609.25319，由 DataCite 发放的 arXiv DOI 尚待注册；提交文件大小为 4,515 KB。该稿件以“new”类型公告，可通过 PDF、实验性 HTML 以及 TeX 源码等方式获取全文。
摘要指出，超低场 MRI 有望扩大全球范围内神经影像的可及性，但其扫描图像存在信噪比低、对比度下降以及层厚偏大等问题。基于回归的超分辨率方法虽然能够为分割任务恢复解剖细节，却只给出单一的确定性估计，无法指示哪些区域因低场输入而导致解剖结构处于欠定状态。生成式扩散模型提供了另一种思路：通过采样可能的高场图像的后验分布来量化这种解剖学上的模糊性。然而，将这类模型应用于三维全脑 MRI 时，会受到内存瓶颈、采样速度缓慢以及扫描仪域偏移的限制。
为此，作者提出三维残差小波扩散模型，结合了三点关键设计来克服上述障碍：其一，无损小波重参数化缩减空间网格，使整颗大脑能够放入单块 GPU 显存；其二，残差平移（residual shifting）以低场输入作为起点，从而加速采样过程；其三，域随机化（domain randomisation）在无需成对训练数据的情况下提升跨扫描仪的泛化能力。由于高场参考图像并非体素级对齐的真值，研究团队转而对下游的体积一致性进行评估。
在健康受试者队列（n=19，分别以 0.064T 与 3T 成像）上，该方法在体积准确度上可与一种领先的通用回归方法相媲美，同时还能生成逐体素的不确定性图，突出显示欠定区域。此外，在认知障碍参与者的试点数据集（n=11）上，与疾病相关的萎缩得以保留，而没有被归一化到健康先验上。作者总结认为，该框架在不牺牲体积准确度的前提下，把全脑后验采样带入了低场超分辨率任务。论文还提供了参考文献与引用工具、代码/数据/媒体关联服务（如 alphaXiv、CatalyzeX、DagsHub、Hugging Face、ScienceCast 等）以及作者、机构、主题等浏览入口，相关页面由 arXivLabs 等社区协作框架提供支持。