La mayoría de los métodos existentes para la reconstrucción de imágenes por resonancia magnética (MRI) con aprendizaje profundo utilizan entrenamiento totalmente supervisado, lo que asume que se dispone de un conjunto de datos completamente muestreado con una alta relación señal-ruido (SNR) para el entrenamiento. En muchas circunstancias, sin embargo, obtener dicho conjunto de datos es altamente impráctico o incluso técnicamente inviable.