Las imágenes de fase de las secuencias de MRI por eco de gradiente reflejan las inhomogeneidades del campo magnético subyacente, pero están inherentemente envueltas dentro del rango de - a , lo que requiere un desenrollado de fase para recuperar la fase verdadera. En este estudio, presentamos DIP-UP (Deep Image Prior para Desenrollar Fase), un marco diseñado para refinar dos modelos de aprendizaje profundo preentrenados para el desenrollado de fase: PHUnet3D y PhaseNet3D. Comparamos los modelos refinados por DIP con sus versiones originales, así como con el algoritmo convencional PRELUDE de FSL, utilizando datos cerebrales simulados y en vivo. Los resultados demuestran que el refinamiento por DIP mejora la precisión del desenrollado (alcanzando ~99%) y la robustez al ruido, superando las redes originales y ofreciendo un rendimiento comparable al de PRELUDE, mientras es más de tres veces más rápido. Este marco muestra un gran potencial para mejorar los análisis basados en fase de MRI en etapas posteriores.