목적: 대비 정보 기반 데이터 증강 (Contrast-informed data augmentation) 및 도메인 적대적 학습 (Domain-adversarial training)이 E2E-VarNet의 성인-신생아 일반화 성능을 향상시키는지 조사한다. 방법: 세 가지 학습 체계를 조사하였다: (1) 증강되지 않은 성인 데이터만을 사용한 성인 전용 학습 (adult-only training), (2) 증강되지 않은 성인 데이터와 신생아 정보를 반영하여 증강된 성인 데이터를 쌍으로 사용한 혼합 학습 (mixed training), (3) 도메인 적대적 목적 함수를 사용한 혼합 학습 (mixed training with a domain-adversarial objective). 모델은 소급적으로 언더샘플링된 (undersampled) 멀티 코일 성인 T2 강조 뇌 MR 데이터로 학습되었으며, 가속 계수 $R=4$ 및 $R=8$에서 정량적 지표와 정성적 평가를 사용하여 신생아 및 성인 테스트 데이터로 평가되었다. 특징 분석 (Feature analyses)을 통해 도메인 적대적 학습이 증강되지 않은 성인, 증강된 성인, 그리고 신생아 테스트 샘플의 잠재 표현 (latent representations)을 변화시켰는지 평가하였다. 결과: 신생아 데이터로 평가했을 때, 혼합 학습 (Mixed) 및 혼합 도메인 적대적 학습 (Mixed-DAT)이 증강되지 않은 성인 전용 학습 (Unaug-Only)보다 우수한 성능을 보였다. R=4에서 Mixed-DAT가 가장 좋은 성능을 달성하였다 (SSIM = 0.924 +/- 0.027, PSNR = 33.98 +/- 1.15 dB). R=8에서 SSIM으로 측정했을 때는 Mixed-DAT가 가장 좋은 성능을 보였으며 (0.848 +/- 0.031 vs. Unaug-Only의 0.766 +/- 0.037 및 Mixed의 0.814 +/- 0.035), PSNR으로 측정했을 때는 Mixed가 가장 좋은 성능을 보였다 (29.56 +/- 0.83 dB vs. Unaug-Only의 26.26 +/- 0.78 dB 및 Mixed-DAT의 29.43 +/- 0.83 dB). t-SNE 플롯의 정성적 평가는 Mixed-DAT가 증강되지 않은 성인, 증강된 성인, 그리고 신생아 테스트 데이터의 잠재 표현 간의 중첩을 증가시켰음을 시사한다. 결론: 대비 정보 기반 증강 및 도메인 적대적 학습은 딥러닝 기반 MR 재구성의 성인-신생아 일반화를 향상시켰다. 이러한 결과는 대비 정보 기반 데이터 증강이 적대적 학습과 결합될 때 언더샘플링된 신생아 MR 재구성에서의 도메인 변화 (domain shift)에 대한 강건성 (robustness)을 향상시킬 수 있음을 시사한다.