同一处病灶，换成 CT、MRI 或超声来拍，画面缺陷并不一样：有的噪声多，有的会因运动变模糊，有的对比度不足。过去通常要按设备和问题分别训练模型。AMIFound 想把这些工作交给同一个基础模型——先从大量数据学习可复用能力，再针对不同输入调整处理方式。
它用 376 万组配对图像训练和评估。所谓配对，就是把受损图像和较高质量的参照图像放在一起，让模型学习该去掉什么、又必须保留哪些人体结构。模型用共享编码器识别成像类型和画质问题，再把图像动态送入不同的“专家”修复路径，覆盖 CT、MRI、PET、内镜、超声、眼底和 X 光，以及七种典型退化模式。
作者称，AMIFound 在图像质量指标、临床医生评价和复杂退化测试中胜过 38 个专项或通用基线，增强后的图像还改善了 44 项疾病检测任务及肺癌预后分析。不过这些效果来自论文作者的评估；医学修复最关键的边界仍是不能为了画面清楚而凭空补出结构。