Der annihilierende-Filter-basierte Ansatz mit niedrigem Rang von Hankel-Matrizen (ALOHA) ist einer der fortschrittlichsten Methoden des komprimierten Sensings, die fehlende k-Raum-Daten direkt durch die Vervollständigung von niedrigen Rang-Hankel-Matrizen interpolieren. Der Erfolg von ALOHA beruht auf der prägnanten Signalrepräsentation im k-Raum-Bereich, die durch die Dualität zwischen strukturierter Niedrigrangigkeit im k-Raum-Bereich und Sparsamkeit im Bildbereich ermöglicht wird. Inspiriert durch die jüngste mathematische Entdeckung, die Faltungsneuronale Netze mit der Hankel-Matrix-Zerlegung unter Verwendung datengesteuerter Framelet-Basen verbindet, schlagen wir hier einen vollständig datengesteuerten Tiefen-Lernalgorithmus für die Interpolation im k-Raum vor. Unser Netzwerk kann auch einfach auf nicht-kartesische k-Raum-Trajektorien angewendet werden, indem man eine zusätzliche Regridding-Schicht hinzufügt. Ausführliche numerische Experimente zeigen, dass das vorgeschlagene Deep-Learning-Verfahren konsequent die bestehenden Bildbereichs-Deep-Learning-Ansätze übertrifft.