arXiv 於 2026 年 9 月 21 日（週一）19:10:14 UTC 收錄了一篇新的計算機視覺與模式識別（cs.CV）預印本，題為《Uncertainty-Aware 3D Residual Wavelet Diffusion for Ultra Low-Field MRI Super-Resolution》（面向超低場 MRI 超解析度的不確定性感知三維殘差小波擴散模型），作者為 Rui W. Yeow 及另外 8 位合著者，第一作者聯絡郵箱顯示為 Rui Wyern Yeow 女士。該論文共 11 頁，含 3 幅圖、1 張表，已被 MICCAI 2026 研討會 SASHIMI 2026 接收，本次上傳的是提交同行評審的版本。論文編號為 arXiv:2609.25319v1 [cs.CV]，DOI 為 https://doi.org/10.48550/arXiv.2609.25319，由 DataCite 發放的 arXiv DOI 尚待註冊；提交檔案大小為 4,515 KB。該稿件以“new”型別公告，可透過 PDF、實驗性 HTML 以及 TeX 原始碼等方式獲取全文。
摘要指出，超低場 MRI 有望擴大全球範圍內神經影像的可及性，但其掃描影像存在訊雜比低、對比度下降以及層厚偏大等問題。基於迴歸的超解析度方法雖然能夠為分割任務恢復解剖細節，卻只給出單一的確定性估計，無法指示哪些區域因低場輸入而導致解剖結構處於欠定狀態。生成式擴散模型提供了另一種思路：透過取樣可能的高場影像的後驗分佈來量化這種解剖學上的模糊性。然而，將這類模型應用於三維全腦 MRI 時，會受到記憶體瓶頸、取樣速度緩慢以及掃描器域偏移的限制。
為此，作者提出三維殘差小波擴散模型，結合了三點關鍵設計來克服上述障礙：其一，無損小波重引數化縮減空間網格，使整顆大腦能夠放入單塊 GPU 視訊記憶體；其二，殘差平移（residual shifting）以低場輸入作為起點，從而加速取樣過程；其三，域隨機化（domain randomisation）在無需成對訓練資料的情況下提升跨掃描器的泛化能力。由於高場參考影像並非體素級對齊的真值，研究團隊轉而對下游的體積一致性進行評估。
在健康受試者佇列（n=19，分別以 0.064T 與 3T 成像）上，該方法在體積準確度上可與一種領先的通用迴歸方法相媲美，同時還能生成逐體素的不確定性圖，突出顯示欠定區域。此外，在認知障礙參與者的試點資料集（n=11）上，與疾病相關的萎縮得以保留，而沒有被歸一化到健康先驗上。作者總結認為，該框架在不犧牲體積準確度的前提下，把全腦後驗取樣帶入了低場超解析度任務。論文還提供了參考文獻與引用工具、程式碼/資料/媒體關聯服務（如 alphaXiv、CatalyzeX、DagsHub、Hugging Face、ScienceCast 等）以及作者、機構、主題等瀏覽入口，相關頁面由 arXivLabs 等社群協作框架提供支援。