본 연구는 시각-언어 기반 파운데이션 모델이 기존의 사전 정보 외에 고차원적인 문맥 정보를 제공함으로써 언더샘플링된 MRI 재구성을 향상시킬 수 있는지 여부를 조사한다. 이를 위해, 재구성된 이미지와 보조 정보를 고차원 의미 특징으로 인코딩하는 시맨틱 분포 기반 재구성 프레임워크를 제안했다. 재구성된 표현과 대상 의미 분포를 정렬하는 대조 목적 함수를 사용하여 고차원적 지각 단서와의 일관성을 보장한다. 본 연구는 다양한 딥러닝 기반 재구성 방법과 호환되며, 이미지 단독 또는 이미지-언어 보조 정보를 통해 얻은 의미 사전 정보를 유연하게 통합할 수 있다. 무릎 및 뇌 데이터셋에 대한 실험 결과, 이미지로부터 얻은 의미 사전 정보가 미세 해부학적 구조를 보존하고 더 나은 지각적 품질을 달성했으며, 이미지-언어 정보는 의미 분포를 확장하여 재구성 속성에 대한 고차원 제어를 가능하게 했다.
