MPFlow用辅助MRI模态在推理时引导整流流先验，以20%采样步数达到扩散基线质量并将肿瘤幻觉Dice降低15%

提出并形式化了多模态零样本MRI重建问题：在推理阶段利用辅助模态（如全采样T1）引导无条件生成先验，而无需更新或重训该先验。 此前的零样本重建方法均为单模态，缺乏在生成先验为无条件时引入辅助模态的原则性机制；该工作首次将辅助成像模态纳入零样本重建的推理过程。 论文给出信息论论证：条件熵满足H(x|y,xaux)=H(x|y)−I(x;xaux|y)，由于配准后的MR模态共享重叠但不完全相同的解剖信息，I(x;xaux|y)>0，故不确定性下降；并在HCP与BraTS上以实验验证。

提出PAMRI，一种基于patch级自适应InfoNCE损失的跨模态对比预训练策略，温度由配对patch的归一化互信息动态调节，并辅以patch重建正则项。 常规对比学习会丢弃空间细节，而MRI重建是稠密任务；PAMRI在32×32 patch上操作并加入重建任务以保留结构细节，同时用互信息而非直接像素级对齐来加权潜空间对比，避免多模态强度差异（如肿瘤在FLAIR亮而在T1近等信号）带来的困难。 在HCP（T=100）上，PAMRI相比NMI、Canny边缘与像素MSE等更简单的辅助引导损失，取得最高SSIM与最低SHAFE；Canny边缘与像素MSE的幻觉甚至多于仅用数据一致性的基线。

提出MPFlow推理框架：整流流先验由数据一致性（抑制内在幻觉）与PAMRI潜空间对齐（抑制外在幻觉）联合引导，并加入初始噪声优化以缓解轨迹初始化不佳。 以往方法仅通过数据一致性优化，而该工作让复合目标Φ(x)=‖F(x)−y‖²+λP·LP(x,xaux)同时用于种子选择，从而同时压低内在与外在幻觉。 消融显示两个模块针对互补失效模式：加入PAMRI使HCP的SHAFE降低27%、BraTS的Dice提升5%，而测量损失变化较小；仅加噪声优化则使测量空间损失在HCP降低82%、BraTS降低89%，但SHAFE/Dice增益较小。

在HCP与BraTS上，MPFlow在图像质量与幻觉指标上均优于零样本基线，且效率显著更高。 MPFlow在T=100步即匹配扩散基线在T=500步的重建质量；在T=500时SSIM比次优基线DynamicDPS高2–4%、LPIPS高6–22%；相对DPS，测量空间损失在HCP降低逾80%、BraTS降低88%，SHAFE改善38%、Dice改善16%。 所有改进统计显著（p<0.05）；HCP测试集N=200，BraTS官方验证集N=250；时间受限设置（T=100）下扩散方法SSIM与LPIPS下降15–83%且方差增大，而MPFlow仅下降2.5–14%。

该框架面向具备配准辅助模态的脑MRI场景：HCP上做T2 4倍超分辨、BraTS上做FLAIR 8倍k空间重建，均以全采样T1为辅助模态，实验在轴位切片上进行。它使临床中常规采集的多序列协议可直接作为推理时的额外信息源，无需重训或更新无条件先验，从而在严重病态条件下获得更可靠的解剖保真度与更少的采样步数。适用对象是拥有多对比度或参数化成像协议、且能完成模态间配准的成像流程；论文将非成像模态与自适应引导方案列为后续方向。

读者仍需关注若干开放问题：辅助模态与目标模态之间的配准质量如何影响跨模态引导的效果，论文未在正文中展开；PAMRI的收益随任务病态程度增加而增大（ΔSSIM从4倍的3.81%升至8倍的6.02%），这一趋势在其他退化类型与部位上是否同样成立尚待验证；SHAFE与Dice等幻觉指标依赖预训练模型（DINO、Swin-UNet），其自身偏差对结论的影响未在正文中讨论；此外，本次解析基于正文与表格，图2、图3的视觉细节仅能从文字描述获知。