Una técnica de aprendizaje profundo basada en modelos recientemente introducida (MoDL) incorpora con éxito regularizadores basados en redes neuronales convolucionales (CNN) en la reconstrucción de imágenes paralelas basadas en física utilizando un pequeño número de parámetros de red. El aliasing controlado por ondas en la imagen paralela (CAIPI) es un método emergente de imagen paralela que acelera la adquisición de imágenes mediante el empleo de gradientes sinusoidales en las direcciones de codificación de fase y de rebanada/partición durante la lectura para aprovechar mejor los perfiles de sensibilidad de la bobina 3D. Proponemos MoDL codificado por ondas (wave-MoDL) que combina la estrategia de codificación de ondas con restricciones de red desenrollada para la imagen 3D altamente acelerada mientras se garantiza la consistencia de los datos. Extendemos wave-MoDL para reconstruir datos multicontraste con patrones de muestreo CAIPI para aprovechar la similitud entre múltiples imágenes y mejorar la calidad de la reconstrucción. Además, explotamos esto para permitir una rápida adquisición de imágenes cuantitativas utilizando una secuencia de adquisición look-locker intercalada con pulso de preparación T (3D-QALAS). Wave-MoDL permite una adquisición MPRAGE de 40 s a 1 mm de resolución a una aceleración de 16 veces. Para la imagen cuantitativa, wave-MoDL permite una adquisición de 1:50 min para el mapeo de T, T y densidad de protones a 1 mm de resolución a una aceleración de 12 veces, a partir de la cual también se pueden sintetizar imágenes ponderadas por contraste. En conclusión, wave-MoDL permite una rápida adquisición de resonancia magnética y una reconstrucción de imágenes de alta fidelidad y puede facilitar aplicaciones clínicas y neurocientíficas al incorporar redes neuronales desenrolladas en la reconstrucción de ondas-CAIPI.