アノイヒレーション・フィルターを用いた低階数ハンケル行列アプローチ（ALOHA）は、欠落したk空間データを直接補間する最先端の圧縮センシング手法の一つです。ALOHAの成功は、k空間領域における構造的な低階数性と画像領域の疎性との双対性により、信号を簡潔に表現できることに起因しています。最近の数学的な発見、すなわち畳み込みニューラルネットワークがデータ駆動型フレームレット基底を用いてハンケル行列分解と関連付けられることに着想を得て、ここではk空間補間のための完全にデータ駆動型の深層学習アルゴリズムを提案します。当該ネットワークは、再グリディング層を単純に追加することで非カルテシアンk空間軌道にも容易に適用できます。広範な数値実験から、提案された深層学習手法が既存の画像領域での深層学習アプローチを一貫して上回ることが示されています。