心脏电影成像是高加速成像技术的第一个试验场。传统心脏电影成像方法通常依赖多先验联合模型，通过空间和时间等先验信息的精细建模，提升成像质量。

但是，在欠采样与噪声共同作用下形成的复合退化问题，是高加速成像面临的本质难题。在高信噪比条件下，可以实现较高的加速；然而在高加速、低信噪比条件下，仅依靠时空先验已难以突破图像质量与重建稳定性的双重限制。因此，在实现高倍加速时，对噪声的准确刻画尤为重要。

传统磁共振成像多采用固定形式的噪声假设，如基于L2范数的简化建模。这类模型在低加速、规则场景中具有一定的有效性。若在动态成像中引入可学习的噪声建模，使噪声能够通过数据驱动方式进行精细刻画，则可显著拓展成像模型的表达广度。

在电影成像的基础上，技术目标进一步扩展至更广泛的人体运动成像。运动带来的问题不仅表现为伪影和模糊，还包括信息丢失、结构边界不清等风险的增加。

除心脏和呼吸等可监测的周期性运动，消化道蠕动、吞咽等不可控运动长期缺乏有效的成像解决方案。传统应用场景本质上仍是“以静制动”，对患者配合度和生理状态高度敏感，整体稳定性有限。

将一次长时间的静态采集拆解为多次动态采集，并通过高质量重建对信息进行整合，使运动本身成为成像对象而非干扰因素，可以在不增加扫描时间的前提下，有效降低运动伪影，同时提高图像分辨率和信噪比。

在算子层面，传统深度学习成像方法多采用离散的固定卷积核。对于消化这类在神经支配下融合了一系列平移、旋转、缩放的复杂运动，离散卷积算子往往只能实现粗略的近似表达。

通过引入基于参数化卷积核的方法，可以直接对连续复杂运动进行建模，在运动状态下稳定提取结构与动态特征。这种更接近物理本质的刻画方式，使动态成像不再局限于规则运动器官，而能够覆盖消化道等高度复杂的生理运动系统。

由此，整体解决方案实现了从“运动去除”到“运动重建”的转变，不再仅在后端进行伪影校正，而是在成像前端直接刻画运动过程，实现“以动制动”。